AI 智能体（Agent）的 6 种上下文类型

6 Types of Contexts for AI Agents

水平较弱的 LLM，配上合适的上下文也可能正常工作；但哪怕是 SOTA 的 LLM，也永远无法弥补上下文的不完整。

这就是为什么生产级的 LLM 应用需要的不仅仅是指令，而是「结构」——也就是那一整套定义了模型推理、记忆和决策循环的完整上下文生态。

如今，所有先进的智能体架构，都把上下文当作一个多维度的设计层来对待，而不再只是提示词中的一行文字。

在思考智能体的各类上下文时，可以用下面这个思维模型：

1）指令（Instructions）

这一层定义了「谁」「为什么」以及「如何做」：

• 这是谁？（产品经理、研究员、编程助手……）
• 为什么要采取行动？（目标、动机、期望结果）
• 应该如何行事？（步骤、语气、格式、约束条件）

2）示例（Examples）

这一层展示了「好」与「坏」分别是什么样子：

• 既包括行为演示、结构化示例，也可以包括反面案例（anti-pattern）。
• 相比生硬的规则，模型从示例中学习「模式」的效果要好得多

3）知识（Knowledge）

这一层是你为模型注入领域知识的地方。

• 从业务流程、API，到数据模型和工作流，无所不包
• 它弥合了「文本预测」与「决策」之间的鸿沟

4）记忆（Memory）

你希望智能体能记住自己过去做过什么。这一层让它在不同会话之间也能保持连续性。

• 短期记忆：当前的推理步骤、对话历史
• 长期记忆：事实信息、公司知识、用户偏好

5）工具（Tools）

这一层把智能体的能力延伸到语言之外，让它能够在现实世界中采取行动。

• 每个工具都有自己的参数、输入和使用示例。
• 这里的设计质量，决定了智能体调用外部 API 的效果好坏。

6）工具结果（Tool Results）

• 这一层把工具的执行结果反馈给模型，从而让它具备自我纠错、动态调整和灵活决策的能力。

正是这六个层次，帮助你构建出真正具备上下文感知能力的智能体。