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。

四、看看深度智能体如何使用文件系统

LangChain 有一个开源项目叫 Deep Agents『https://github.com/langchain-ai/deepagents』（支持 Python、TypeScript），能让你快速搭建一个具备文件系统访问能力的智能体，上面提到的这些上下文管理技巧，都已经内置其中！未来肯定还会涌现更多新玩法，欢迎大家试用 Deep Agents，随时告诉我们你的想法！

五、AI大模型从0到精通全套学习大礼包

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

只要你是真心想学AI大模型，我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

如果你也想通过学大模型技术去帮助就业和转行，可以扫描下方链接👇👇
大模型重磅福利：入门进阶全套104G学习资源包免费分享！

01.从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

​

02.AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

​

03.学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

04.大模型面试题目详解

05.这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

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‌。

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓