Agent 是怎么工作的：架构、上下文与压缩
Agent 是一个循环：LLM（上下文 + 工具）→ 行动 → 环境反馈 → 继续 / 终止。
从「确定性」到「自主性」
要理解 Agent，先要分清它和另一种东西——Workflow。Workflow 是预定义好的代码路径，把一次任务拆成固定步骤，每步调用 LLM、把输出传给下一步；步骤确定、可预测，适合「明确该怎么做」的任务。Agent 则相反：由 LLM 自己动态决策、自己规划下一步，更适合开放性的问题——没人预先写死路径，因为路径本身要靠推理得出。
它们的底层是同一个构建块：增强 LLM（Augmented LLM）= LLM + 检索 + 工具 + 记忆。当前的模型已经能自主生成搜索查询、选择要调的工具、决定该保留哪些信息。
五种常见的 Workflow 模式
Anthropic 总结了五种模式，自简到繁：
- 提示链（Prompt chaining）：把任务拆成固定步骤链，每步输出进下一步，可加「闸门」检查
- 路由（Routing）：先分类再分发——简单任务给小模型，难题交给大模型
- 并行化（Parallelization）：Sectioning（拆独立子任务并行）+ Voting（同一任务跑多次取多数）
- 编排者-工人（Orchestrator-workers）：主 LLM 动态拆任务、委派子 LLM、汇总结果，适合子任务不可预知的场景
- 评估-优化（Evaluator-optimizer）：一个 LLM 生成、另一个评估反馈，循环改进
Agent 本质是一个循环
Agent 不是某个模型，而是一个运行机制：
- LLM 基于「上下文 + 工具」决策 → 采取行动（调用工具）→ 从环境拿到真实反馈 → 继续或终止
- 它从人这里领任务，但每一步的进展判断来自环境，而不是人
- 遇到检查点或受阻时暂停、征求人类意见
- 必须有明确的停止条件，否则会无限循环
设计 Agent 的三条原则
- 保持简单：先从单次 LLM 调用开始，够用就不要加编排
- 透明性：明确展示规划步骤，让人看得懂它在做什么
- 精心设计 ACI（Agent-Computer Interface）：工具接口要像给人写文档一样用心。Anthropic 在 SWE-bench 上花在优化工具接口上的时间，比优化 prompt 还多
以 opencode 为例对号入座：它本质是 Agent（LLM 自主调工具的循环）；task 派发 subagent 是编排者-工人；并发读文件是并行化；plan / build 双模式是路由；系统提示 + AGENTS.md + skills 构成增强 LLM 的记忆与指令层。
上下文：Agent 的「有限内存」
每一轮请求，模型都要把系统提示、规则文件、历史消息、工具返回结果全部塞进上下文。其中工具返回（read、bash 的大段输出）是主要消耗者；各模型有各自的窗口上限（models.dev 上可查，约 128k~200k token）。
窗口大不等于「越大越好」，因为存在 context rot（上下文腐化）：token 越多，模型准确回忆起某条信息的概率越低，这是所有模型共有的非线性现象。注意力的复杂度是 O(n²)，长上下文下注意力预算被摊薄。所以上下文工程有一条铁律：
用最小的高信号 token 集，去最大化期望行为出现的概率。
长期任务的三大技术
- Compaction（压缩）：上下文接近上限时，让模型把历史摘要成关键细节。Claude Code 的策略是保留架构决策、未解决的 bug、实现细节 + 最近访问的文件，丢弃冗余的工具输出
- 结构化笔记 / agentic memory：把状态定期写到上下文之外的持久文件（如 NOTES.md），需要时再拉回
- Sub-agent 隔离：把子任务交给独立 subagent，各自维护上下文，最后只把浓缩结果回传
除此之外还有：JIT 注入（按需读入，AGENTS.md 预注入 + 按需探索）、Repo map（只送最相关的符号签名）、工具结果清理（删除工具调用原始输出，Anthropic 称之为「最安全轻量的压缩形式」）、Prompt caching（降成本，但不解决溢出）。
压缩可靠吗？——不可靠
压缩本质是有损的。 模型自摘要必然丢掉细节：中间推理、微妙的限定条件、被否决的方案、原话的语气——尤其口语、反讽、隐含意图。大段工具输出被压缩后只剩一个结论，难以追溯。prune: true 更激进，之后的正确性只能靠记忆或重新读取。
没有根治办法，但有缓解手段：
- 关键事实写进持久层（AGENTS.md / instructions），每次请求重新注入
- ground truth 放在 git，随时可回滚
- 用 subagent 隔离，缩小每个上下文的覆盖面
- 调大预留缓冲（
reserved）防溢出 - 主动
/compact，在信息还完整时动手，别等自动压缩
业界没有「压缩效果最好」的公开基准；按口碑，Claude Code 的 auto-compact 最成熟，Aider 强在「很少需要压缩」。真正决定摘要质量的，还是底层模型的判断力。
一句话
Agent 的技术内核并不神秘：增强 LLM 当底座，workflow 解决确定任务，agent 循环解决开放任务。真正的难点不在架构，而在上下文工程——它决定了「模型到底能看到什么」。而压缩永远有损，所以正确性的最终来源，永远在文件与 git，不在模型的记忆里。