Agent 上下文越来越长？一个 task 工具的秘密

你有没有发现：和 AI Agent 对话久了，它就越来越"笨"。

明明之前问过的问题，它会重新问一遍。明明已经分析过的文件，它又读一遍。你问它"刚才做了什么"，它支支吾吾说不清楚。

为什么？

答案在messages数组里。每轮对话都在累积，中间过程全部堆在里面，有用的信息被淹没。

今天，我用一个task工具教你解决这个问题。读完这篇，你会明白：子 Agent 的核心不是"多一个模型"，而是"多一个干净上下文"。

一个真实的痛点

用户问：

s03 >> 分析 src/core 目录下的所有文件，告诉我项目结构

Agent 为了回答这个问题，可能：

• 读agent-loop.ts（3000 字符）
• 读tools.ts（5000 字符）
• 读types.ts（2000 字符）
• 执行几次 bash 查目录结构

最终答案可能只有一句话：

“项目用 TypeScript 实现，核心是 agent-loop 的循环模式。”

但整个对话里，messages数组已经塞满了 10KB+ 的中间过程。

下一个问题：

s03 >> 你刚才读了哪些文件？

模型可能回答：

“我读了 agent-loop.ts、tools.ts、types.ts…”

看起来没问题？但问题是：

1. 这些内容全堆在父上下文里
2. 后续对话越来越慢
3. 有用信息被噪声淹没
4. Token 成本直线上升

根本原因：上下文污染

用一个类比来理解：

没有子 Agent：你在一个房间里开会。每个人发言、每个讨论都留在这个房间里。房间越来越挤，噪音越来越大。

有子 Agent：你派一个人去隔壁房间开会。他回来只告诉你结论。你的房间保持安静。

父 messages = [用户问题, 工具调用, 工具结果, 工具调用, 工具结果, ...] ↑ 噪声累积，有用信息被淹没父 messages = [用户问题, task调用, 子Agent摘要, 最终回答] ↑ 干净，只有关键信息

子 Agent 的核心价值：不是"多一个模型实例"，而是"多一个干净上下文"。

s04 的设计思路

核心概念：上下文隔离

Parent agent Subagent+------------------+ +------------------+| messages=[...] | | messages=[] | <-- 空白上下文| | dispatch | || tool: task | ---------->| while tool_use: || prompt="..." | | call tools || | summary | append results || result = "..." | <--------- | return last text |+------------------+ +------------------+ |Parent context stays clean.Subagent context is discarded.

关键点：

1. 子 Agent 从空白上下文启动：messages = [{ role: 'user', content: prompt }]
2. 子 Agent 自己的工具循环：读文件、执行命令，都在自己上下文里
3. 只返回摘要：中间过程丢弃，只带回最终文本

数据结构

// src/core/types.tsinterface SubagentContext { messages: Message[] // 子 Agent 自己的上下文（从空白开始） tools: ToolDefinition[] // 子 Agent 可用的工具（过滤后的） handlers: Record<string, ToolHandler> // 工具执行函数 maxTurns: number // 最大轮数，防止无限跑 systemPrompt: string // 子 Agent 的系统提示词}

这个结构定义了子 Agent 的"隔离边界"。

工具过滤：防止无限递归

一个关键设计：子 Agent 不能有task工具。

为什么？想象一下：

父 Agent 调用 task → 子 Agent 调用 task → 孙 Agent 调用 task → ...

无限递归，系统崩溃。

// 父 Agent 工具：base + taskconst PARENT_TOOLS = [...BASE_TOOLS, TASK_TOOL]const PARENT_HANDLERS = { ...BASE_HANDLERS, task: createTaskHandler() }// 子 Agent 工具：只有 base（不含 task）const CHILD_TOOLS = BASE_TOOLS // bash, read_file, write_file, edit_fileconst CHILD_HANDLERS = BASE_HANDLERS // 没有 task

工具过滤是隔离的第一道防线。

runSubagent 函数：核心实现

// src/planning/subagent.tsexportasyncfunction runSubagent(prompt: string): Promise<string> {// 1. 创建空白上下文const subMessages: Message[] = [{ role: 'user', content: prompt }]// 2. 子 Agent 配置const context: SubagentContext = { messages: subMessages, tools: CHILD_TOOLS, // 不含 task handlers: CHILD_HANDLERS, maxTurns: 30, // 防止无限跑 systemPrompt: SUBAGENT_SYSTEM, }// 3. 循环执行，最多 30 轮for (let turn = 0; turn < context.maxTurns; turn++) { const response = await client.messages.create({ model: MODEL, system: context.systemPrompt, messages: context.messages, tools: context.tools, }) context.messages.push({ role: 'assistant', content: response.content }) if (response.stop_reason !== 'tool_use') { break// 子 Agent 做完了 } // 执行工具调用... const results = await executeTools(response.content, context.handlers) context.messages.push({ role: 'user', content: results }) }// 4. 只返回最终文本摘要（中间过程丢弃）return extractTextReply(context.messages) || '(no summary)'}

四个步骤：

智能判断：什么时候用 task？

一个实际问题：模型怎么知道该走task还是直接用工具？

答案在系统提示词里：

const S04_SYSTEM = `You are a coding agent at ${WORKDIR}.<task_tool_guidance>Use the task tool when the request involves:- Analyzing, exploring, or searching multiple files/directories- Finding patterns or gathering information across the codebase- Tasks where intermediate steps are noise but final summary matters- Requests starting with "analyze", "find", "search", "list", "explore"Do NOT use task tool for:- Single file operations (read/edit one file)- Simple bash commands- Tasks that need current conversation context</task_tool_guidance>The task tool spawns a subagent with fresh messages. This keeps the parent context clean.`

用<task_tool_guidance>标签明确告诉模型判断条件：

用 task：

• 分析/搜索多个文件
• 查找代码库中的模式
• 中间过程是噪声，只要结论

不用 task：

• 单文件操作
• 简单 bash 命令
• 需要当前对话上下文的任务

task 工具定义

export const TASK_TOOL_DEFINITION: ToolDefinition = { name: 'task', description: 'Launch a subagent with isolated context for exploration tasks. Use this when: (1) analyzing/searching multiple files, (2) gathering information across codebase, (3) only final summary matters. Returns only the summary, keeping parent context clean.', input_schema: { type: 'object', properties: { prompt: { type: 'string', description: 'The specific task for the subagent' }, description: { type: 'string', description: 'Short label (e.g., "analyze core")' }, }, required: ['prompt'], },}

关键是description：明确列出适用场景，而不是抽象的"派生子任务"。

动手试试

运行 s04：

pnpm run s04

你会看到：

╔════════════════════════════════════╗║ s04 - Subagent ║║ "Fresh context, clean parent" ║╚════════════════════════════════════╝Tools: bash, read_file, write_file, edit_file, tasks04 >> 分析 src/core 目录下的所有文件，告诉我它们各自的作用> task (analyze src/core): 分析 src/core 目录下的所有文件... 项目使用 TypeScript 实现，核心是 agent-loop 的循环模式...s04 >> 读取 package.json 的内容> read_file ...直接读取，不走 task...

对比：

验证上下文隔离

最关键的测试：

s04 >> 分析 src/core 目录下的所有文件（等待完成后）s04 >> 你刚才读了哪些文件？

预期结果：

模型回答：“我派生了一个子任务去分析 src/core，子 Agent 返回的摘要说…”

而不是：“我读了 agent-loop.ts、tools.ts、types.ts…”

如果模型能说出具体文件名，说明子 Agent 的中间过程污染了父上下文。这是错误的。

对比 s03 和 s04

s03 解决"忘记做什么"，s04 解决"做过的事堆在上下文里"。

两者互补，不是替代。

FAQ

Q：子 Agent 和多 Agent 系统有什么区别？

A：子 Agent 是一次性的。任务完成，上下文丢弃。

多 Agent 系统（s09-s11）是长期协作的 teammate，有自己的角色、状态、通信通道。

混淆这两者会让初学者迷失方向。先做一次性子任务隔离，再做长期角色协作。

Q：为什么不把父上下文全部传给子 Agent？

A：这叫 fork 模式，但不是第一步。

空白上下文是最简单的设计。只有在子任务确实需要"继承父对话背景"时，才考虑 fork。

Q：maxTurns 设成 30 合理吗？

A：是教学值。真实系统会根据任务类型动态调整。

30 轮足够完成大部分探索任务，也足够防止无限循环。

Q：如果子 Agent 失败了怎么办？

A：返回(no summary)或错误信息。父 Agent 看到后可以决定重试或换个策略。

小结

今天我们实现了：

• ✅ 理解了上下文污染的根本原因
• ✅ 设计了 SubagentContext 的数据结构
• ✅ 实现了工具过滤（防止递归派生）
• ✅ 理解了智能判断何时用 task
• ✅ 跑起来了一个有上下文隔离能力的 Agent

关键洞察：

子 Agent 的核心，不是多一个模型，而是多一个干净上下文。 把局部任务的噪声隔离出去，主对话才能保持清晰。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】