前言

目前国内主流的Agent系统上下文管理往往使用RAG系统，用到向量数据库、SQL结构数据库、还有图数据库等，这种涉及很多关于数据库API的调试工作，不同的数据库涉及不同的接口特点，搞得人头大。然而，对于时间性能要求不高的研究型项目，或者个人知识库项目，现在有一种更简洁的技术路线，不用任何数据库，不用任何外挂的API中间件，只要操作系统自带的文件系统就可以搞定所需上下文，而且有研究人员搞到一种方法，可以让Agent的上下文长度接近于无限能力。下面来简单聊聊：

一、先搞懂：Agent为啥需要“上下文管理”？

AI Agent（智能代理）能帮我们做写论文、处理数据这类复杂任务，但任务越长，它要记的“上下文”（比如之前做了啥、中间结果是啥）就越多——太多了会导致Agent卡壳、出错，这就是“长任务崩溃问题”。

而文件系统（像电脑里的文件夹/文件） 是个低成本的解决方案：把Agent的任务进度、中间结果存在文件里，既让Agent能随时“查资料”，又不会让它的“记忆负担”过重。

二、为什么选文件系统管上下文？

连LLM（大语言模型）都“天生会用”，这是Vercel（一家技术公司）给出的核心理由：

1. LLM自带“文件操作技能”
   像cat（看文件内容）、grep（搜文件里的内容）这些终端命令，LLM在训练时见过几十亿次，不用额外教——相当于Agent天生会“翻文件夹、查文件”。
2. 后续维护更轻松
   模型越擅长写代码，Agent的文件操作能力就越强，不用重新设计架构，直接“蹭模型的进步”。
3. 出问题能查账，不是黑盒
   Agent出bug时，能直接看它读了哪个文件、跑了什么命令，不用猜它“脑子里”在想啥。

三、具体架构：以InfiAgent为例（适合长任务的框架）

Cornell大学的InfiAgent是“文件系统+分层Agent”的典型案例，

初学者可以这么理解：

1. 核心：文件当“任务笔记本”

给每个任务建一个专属文件夹，里面存：

• 任务计划、中间结果（比如写论文的大纲草稿）
• 工具输出（比如查资料的网页内容）
• 操作日志（比如“刚才用grep搜了文献关键词”）
  

同时Agent只记最近10个操作（小缓冲区），既保持思路连贯，又不会让“记忆”过载——需要细节时，直接去文件夹里查文件就行。

2. 定期“整理笔记本”：周期性状态整合

任务做久了，文件夹里的内容会变多，Agent会定期把“最近进度”整理到文件里，然后刷新自己的“短期记忆”——相当于你写论文时，定期把草稿存成新文件，不用一直记着所有细节。

3. 分层干活：不让Agent“一人扛所有”

把Agent分成3层，分工明确：

• Level3（总协调Agent）：接用户需求（比如“写一篇AI论文”），拆成小任务（“查文献→写大纲→补内容”）。
• Level2（领域Agent）：专做细分活，比如“文献搜索Agent”“论文写作Agent”，负责执行总协调派的任务。
• Level1（工具Agent）：专做具体操作，比如“用grep搜文献”“存文件到文件夹”，是干活的“手”。

四、总结：新手怎么入门？

不用搞复杂工具，先从“让Agent用文件存中间结果”开始：比如让Agent写报告时，把大纲存在outline.txt里，查的资料存在refs/文件夹里——既简单，又符合LLM的“使用习惯”。

您觉得以上技术方案如何？是否还有更好的方案，评论区聊聊？

附件：