六大上下文管理策略
01. RAG (检索增强生成)
选择性地从外部知识库中检索最相关的信息片段，注入到上下文中，以生成更准确、更丰富的回答。避免将整个文档“灌”给模型。
🎯 核心作用：精准投喂，而非盲目填充。
02. 工具装载 (Tool Loadout)
像游戏前选择装备一样，动态地为当前任务挑选最相关的工具集。过多的工具定义会造成“上下文混淆”，降低模型选择正确工具的能力。
Llama 3.1 8b 性能提升
03. 上下文隔离 (Context Quarantine)
将复杂任务分解为多个独立的子任务，每个子任务在自己的“隔离”线程中运行，拥有独立、干净的上下文。这避免了交叉污染，并可并行处理，大幅提升效率和质量。
研究系统性能对比
04. 上下文裁剪 (Context Pruning)
在 Agent 运行过程中，主动评估并移除上下文中已过时、不相关或冗余的信息。如同园丁修剪枝叶，让养分集中在主干上。
95%
Provence 模型可裁剪掉
无关上下文内容
05. 上下文摘要 (Context Summarization)
随着对话或任务的进行，将累积的上下文信息提炼成一个简洁的摘要。这既能保留关键记忆，又能有效防止“上下文分心”，让模型保持对核心目标的关注。
🎯 核心作用：保留记忆，减轻负担。
06. 上下文卸载 (Context Offloading)
为模型提供一个外部“草稿纸”工具。模型可以将中间思考过程、临时计算或冗长输出记录到这个外部空间，而不是全部堆在主上下文中，从而保持主上下文的清爽和专注。
54%
特定场景下使用 "think" 工具
带来的性能提升