动态上下文发现：提升AI Agent上下文管理的未来

随着AI技术的不断进步，AI Agent正迅速改变着软件开发的方式。过去，Agent的能力有限，需要大量人工干预来引导其行为。而今天，AI Agent不仅变得更加智能，还能通过更高效的上下文工程来实现自主学习和推理。Cursor正是利用这一点，通过引入动态上下文发现（Dynamic Context Discovery）模式，提升了上下文管理的效率和模型的自适应能力。

在本文中，我们将探讨Cursor如何通过五种方式实现动态上下文发现，提升Agent的性能，并深入分析为何文件作为基础单元在这一过程中扮演了重要角色。

什么是动态上下文发现？

传统的上下文管理方法依赖于静态上下文，即将所有相关信息一次性提供给Agent，期望其在这些信息中进行推理和判断。然而，随着模型能力的提升，预先提供过多的信息反而可能增加不必要的复杂度，降低模型的效率。动态上下文发现的核心思想是：不急于将所有信息塞进模型，而是让模型根据需要自主发现和获取相关的上下文。

这种方法不仅有效减少了token的消耗，还提高了模型的响应质量，因为它减少了上下文窗口中可能导致干扰或矛盾的信息量。

Cursor的动态上下文发现策略

Cursor针对动态上下文发现提出了五种优化策略，以下是具体内容：

1. 将较长的工具响应转化为文件

工具调用时，返回的大量数据（如JSON响应或日志）可能会迅速增加上下文窗口的大小，导致模型的效率下降。为了解决这一问题，Cursor采用了将长输出转化为文件的策略。

传统上，许多开发者会通过截断长输出的方式来控制上下文的大小，但这可能导致丢失关键信息。Cursor通过将这些长输出写入文件，并赋予Agent读取文件的能力来避免这一问题。Agent可以通过命令如tail查看文件的末尾内容，若需要更多信息，再继续向后读取，避免了上下文窗口过载的情况。

2. 在摘要过程中引用对话历史

当对话超过上下文窗口限制时，传统方法会通过摘要压缩历史内容以便提供给Agent。但这种摘要往往是有损的，可能会丢失重要细节。

Cursor的做法是，将完整的对话历史存储为文件，并在摘要时提供对历史文件的引用。如果Agent发现自己需要的更多细节不在摘要中，它可以动态加载并检索原始历史记录。这种方式使得Agent能够在不丢失关键信息的情况下，保持高效和准确。

3. 支持Agent Skills开放标准

Cursor支持Agent Skills，这是一个为Agent扩展专用能力的开放标准。通过Skills，Agent可以通过文件来获得如何执行特定领域任务的详细说明。

这些Skills包括名称和描述，可以作为静态上下文包含在系统提示中。然而，Agent并不会每次加载所有的Skills，而是通过动态上下文发现，按需引入相关的Skills。例如，Agent可以通过语义搜索或者工具如grep来自动获取和加载所需的技能文件。这种方式提高了系统的灵活性，同时避免了不必要的信息冗余。

4. 高效地仅加载所需的MCP工具

MCP（Model Communication Protocol）是一个用于访问受OAuth保护的外部资源的协议。许多MCP服务器提供了大量的工具和服务，而这些工具大部分情况下并不会在一次任务中被用到。传统方法会将所有工具的描述都包含在上下文中，导致上下文窗口膨胀。

Cursor通过将工具描述同步到一个文件夹，只有在需要某个工具时，Agent才会去查找相关的详细描述。这种方式显著降低了上下文的占用，并通过A/B测试发现，这一策略帮助减少了46.9%的token消耗。此外，它还带来了额外的好处：当某个MCP工具需要重新认证时，Agent可以主动提示用户进行重新认证，避免了信息丢失的困境。

5. 将所有集成终端会话视为文件

在过去，如果你希望Agent理解你的命令执行失败，通常需要手动复制终端的输出并提供给Agent。这不仅繁琐，而且容易遗漏关键信息。

Cursor通过将终端会话自动同步到本地文件系统的方式解决了这一问题。Agent可以轻松访问终端历史记录，甚至通过grep等工具对特定内容进行搜索，帮助开发者快速定位问题。对于长期运行的进程生成的日志，这种动态发现的方式比静态注入更加高效，尤其在处理大量数据时，能够节省大量时间和计算资源。

文件：动态上下文发现的基础单元

从上述的五种策略可以看出，文件是Cursor动态上下文发现的核心工具。虽然目前尚不清楚文件是否会成为所有基于大语言模型（LLM）的工具的最终接口，但文件作为一种简单、强大的抽象单元，依然是最稳妥的选择。

文件作为上下文管理的基础单元有几个显著优势：

• 简洁性：文件作为基础单元具有很高的可扩展性和简洁性，无需复杂的抽象就能满足大多数需求。
• 持久性：文件天然具有持久性，可以长期保存上下文数据，便于随时访问和回溯。
• 灵活性：由于文件可以包含任何类型的数据，Agent能够根据需要动态读取和操作这些文件，从而提高系统的自适应能力。

结语

随着AI技术的发展，动态上下文发现正成为提升Agent性能和减少计算消耗的关键。通过将长输出、历史记录、工具描述和终端会话等转化为文件，Cursor不仅提高了上下文管理的效率，还让Agent能够更加灵活地应对复杂的任务。

文件的简单抽象提醒我们，在技术设计中，经过时间检验的基础工具往往比复杂的解决方案更为稳妥。未来，随着AI Agent不断进化，如何高效地管理上下文和引导Agent的自主学习，将成为推动软件开发变革的核心动力。

Cursor在这一方向的探索无疑为开发者提供了新的思路，我们期待未来会有更多令人兴奋的进展。