前言

深度智能体（Deep Agents）的一个核心特性是能够使用一系列文件系统工具，通过这些工具，智能体可以在自己的文件系统中执行读取、写入、编辑、列出文件和搜索等操作。

在这篇文章中，我们将详细说明为什么文件系统对智能体至关重要。要理解文件系统的作用，首先得搞清楚当前智能体常遇到的问题：它们之所以会 “失灵”，要么是（a）大模型本身性能不足，要么是（b）无法获取到合适的上下文信息。上下文管理是一门 “精妙的艺术与科学”，核心是在上下文窗口中恰好填入下一步所需的信息。想要打造可靠的智能体，理解上下文管理的逻辑以及可能出现的问题，是至关重要的一步。

一、什么是上下文管理？

从上下文管理的角度来看，现代智能体工程师的核心工作可以这样理解：智能体通常能接触到大量上下文（例如：所有支持文档、代码文件等），但要回答用户的具体问题，它只需要其中关键的一部分。所以在回应问题时，智能体需要筛选并提取相关的上下文内容，填入自己的上下文窗口。

我们可以用三个维度清晰区分：

• 智能体可获取的全部上下文
• 回答问题 X 实际需要的上下文
• 智能体最终筛选并填入上下文窗口的上下文

从这个角度来看，智能体的上下文管理很容易出现以下几种 “失效” 情况：

1. 所需上下文缺失：智能体需要的信息根本不在总上下文中。例如：客服智能体需要某份文档才能解答问题，但这份文档没被纳入索引。
2. 检索结果偏差：需要的上下文存在且已索引，但智能体没检索到。
3. 检索结果冗余：检索到的上下文远多于实际需要，造成时间和 Token（模型计算单位）的浪费。例如：只需要 1 页文档，结果拉回了 100 页。

而智能体工程师的核心任务，就是让 “检索到的上下文” 精准匹配 “所需上下文”。尽量让前者成为后者的最小超集（既不遗漏关键信息，也不冗余）。

二、上下文管理的四大常见难题

想要精准筛选出合适的上下文，智能体常会遇到这几个具体挑战：

1. Token 过多（检索上下文 ≫ 所需上下文）

像网页搜索这类工具，可能会返回大量 Token。几次搜索下来，对话历史中的 Token 数就能达到几万。这不仅可能触发 400 错误（请求参数异常），还会让大模型的使用成本飙升，性能也随之下降。

2. 需大量上下文（所需上下文 > 上下文窗口容量）

有时智能体确实需要海量信息才能解答问题，但这些信息没法通过一次搜索获取，这也是 “智能搜索”（让智能体反复调用搜索工具）流行的原因。但问题是，获取的上下文很快就会超出模型的上下文窗口容量，无法全部容纳。

3. 难以找到小众信息（检索上下文 ≠ 所需上下文）

智能体可能需要从成百上千个文件中找到隐藏的小众信息。如果找不到，自然就无法正确回答。除了语义搜索，还有其他更有效的方式吗？

4. 无法持续学习（总上下文 ≠ 所需上下文）

有时智能体的工具或指令中，本身就缺少必要的上下文。但用户在和智能体交互时，常会（主动或被动）提供一些线索。有没有办法让智能体把这些线索纳入自己的上下文，方便后续使用呢？

这些都是很常见的问题，相信很多人都遇到过类似情况！

三、文件系统如何让智能体变强大？

简单来说：文件系统为智能体提供了一个统一的接口，让它能灵活存储、检索和更新无限量的上下文。

下面我们看看它是如何解决上述四大难题的：

1. 解决 Token 过多问题

不用再把所有工具调用结果和笔记都堆在对话历史里，智能体可以把这些内容写入文件系统，需要时再选择性地查询相关信息。Manus 是最早公开讨论这种方法的团队之一（下图来自他们的博客）。

把文件系统当作上下文存储库，如下对比：

传统方式	文件系统方式
指令 → 动作 1 → 观察结果 1 → 动作 2 → 观察结果 2（全部堆在对话中）	指令 → 动作 1 → 观察结果 1（写入文件系统）→ 动作 2（需用时从文件系统读取）

举个例子：用网页搜索工具得到 10000 Tokens 的原始内容，其中大部分其实不是一直需要的。如果直接放在对话历史里，这 10000 Tokens 会全程占用资源，让使用成本暴涨；但如果把这些大容量结果转移到文件系统，智能体就能通过关键词搜索（grep），只把必要的上下文读入对话。

在这里，文件系统就像智能体的 “草稿本”，专门存放大容量上下文。

2. 解决需大量上下文问题

文件系统提供了一个很好的抽象层，让大模型能根据需要动态存储和提取更多信息。比如：

• 处理长期任务时，智能体可以先制定计划并写入文件系统，后续需要时再读回上下文窗口，提醒自己该做什么（例如：“通过复述聚焦重点”）；
• 分析海量上下文时，智能体可以启动子智能体。子智能体的工作成果和学到的知识，不用直接回复主智能体，而是写入文件系统（避免信息在传递中失真）；
• 有些智能体需要大量操作指令，不用把所有指令都塞进系统提示词（导致上下文臃肿），可以把它们存为文件，让智能体按需读取（例如：Anthropic 的技能库）。

3. 解决小众信息查找问题

语义搜索是大模型发展初期很流行的上下文检索方式，但对于某些文档（例如：技术 API 参考、代码文件），由于文本中缺乏足够的语义信息，语义搜索的效果会很差。

而文件系统提供了另一种方案：让智能体通过 ls（列出文件）、glob（文件匹配）、grep（关键词搜索）等工具智能查找上下文。如果你最近用过 Claude Code 就会发现，它大量依赖 glob 和 grep 搜索来获取所需上下文。这种方法之所以有效，关键在于三点：

• 现在的模型都经过了专门训练，能理解文件系统的操作逻辑；
• 信息通常已经按目录结构进行了逻辑分类；
• glob 和 grep 不仅能定位特定文件，还能精准到具体行、具体字符，read_file工具还支持智能体指定读取文件的特定行数。

因此，在某些场景下，使用文件系统（以及配套的搜索功能）能得到更好的结果。当然，语义搜索依然有用，还可以和文件系统搜索结合使用，Cursor 最近的博客就提到了这种组合方式的优势。

4. 解决持续学习问题

智能体出错的一个重要原因是缺少相关上下文，而改进的关键通常是让它能获取到合适的信息（例如：添加更多数据源或更新系统提示）。

更新系统提示词的常规流程是：

1. 发现智能体缺少某些必要指令；
2. 从领域专家那里获取相关指令；
3. 将这些指令更新到提示词中。

但实际上，用户往往是最好的领域专家，在和智能体的对话中，他们常会（主动或被动）透露哪些指令是必要的。那么问题来了：能不能把上面第三步（更新提示词）自动化呢？

我们认为，智能体的指令（或技能）和它处理的其他上下文没什么区别，文件系统可以作为智能体存储和更新自身指令的 “仓库”！

例如：用户给出反馈后，智能体可以立即写入自己的文件，记住这些重要信息。这对于存储一次性事实（尤其是用户专属信息，比如姓名、邮箱、偏好等）非常有用。

虽然这个问题还没有完全解决，相关模式仍在发展中，但这是一种令人兴奋的新方式，让大模型能不断积累自己的技能和指令，确保未来迭代时能获取到必要的上下文。

普通人如何抓住AI大模型的风口？

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

AI大模型开发工程师对AI大模型需要了解到什么程度呢？我们先看一下招聘需求：

知道人家要什么能力，一切就好办了！我整理了AI大模型开发工程师需要掌握的知识如下：

大模型基础知识

你得知道市面上的大模型产品生态和产品线；还要了解Llama、Qwen等开源大模型与OpenAI等闭源模型的能力差异；以及了解开源模型的二次开发优势，以及闭源模型的商业化限制，等等。

了解这些技术的目的在于建立与算法工程师的共通语言，确保能够沟通项目需求，同时具备管理AI项目进展、合理分配项目资源、把握和控制项目成本的能力。

产品经理还需要有业务sense，这其实就又回到了产品人的看家本领上。我们知道先阶段AI的局限性还非常大，模型生成的内容不理想甚至错误的情况屡见不鲜。因此AI产品经理看技术，更多的是从技术边界、成本等角度出发，选择合适的技术方案来实现需求，甚至用业务来补足技术的短板。

AI Agent

现阶段，AI Agent的发展可谓是百花齐放，甚至有人说，Agent就是未来应用该有的样子，所以这个LLM的重要分支，必须要掌握。

Agent，中文名为“智能体”，由控制端（Brain）、感知端（Perception）和行动端（Action）组成，是一种能够在特定环境中自主行动、感知环境、做出决策并与其他Agent或人类进行交互的计算机程序或实体。简单来说就是给大模型这个大脑装上“记忆”、装上“手”和“脚”，让它自动完成工作。

Agent的核心特性

自主性： 能够独立做出决策，不依赖人类的直接控制。

适应性： 能够根据环境的变化调整其行为。

交互性： 能够与人类或其他系统进行有效沟通和交互。

对于大模型开发工程师来说，学习Agent更多的是理解它的设计理念和工作方式。零代码的大模型应用开发平台也有很多，比如dify、coze，拿来做一个小项目，你就会发现，其实并不难。

AI 应用项目开发流程

如果产品形态和开发模式都和过去不一样了，那还画啥原型？怎么排项目周期？这将深刻影响产品经理这个岗位本身的价值构成，所以每个AI产品经理都必须要了解它。

看着都是新词，其实接触起来，也不难。

从0到1的大模型系统学习籽料

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师（吴文俊奖得主）

给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

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】

适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

• 基础篇，包括了大模型的基本情况，核心原理，带你认识了解大模型提示词，Transformer架构，预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门AI大模型
• 进阶篇，你将掌握RAG，Langchain、Agent的核心原理和应用，学习如何微调大模型，让大模型更适合自己的行业需求，私有化部署大模型，让自己的数据更加安全
• 项目实战篇，会手把手一步步带着大家练习企业级落地项目，比如电商行业的智能客服、智能销售项目，教育行业的智慧校园、智能辅导项目等等

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

AI时代，企业最需要的是既懂技术、又有实战经验的复合型人才，**当前人工智能岗位需求多，薪资高，前景好。**在职场里，选对赛道就能赢在起跑线。抓住AI这个风口，相信下一个人生赢家就是你！机会，永远留给有准备的人。

如何获取？

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】