文章介绍了一个基于上下文工程的Agent后端架构设计，围绕四大核心模块：工具模块和管理、上下文管理、LLM模块和Agent执行器。该架构将上下文管理作为核心，统一管理各类上下文，通过LLM模块处理用户请求，并结合工具模块扩展能力。作者提供了CLI脚手架工具，帮助开发者快速实践这一架构，使开发重心集中在上下文获取与整理上，同时保持LLM作为核心，便于后续升级。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

从零到一：基于上下文工程的 Agent 后端设计

前言

从之前我整理的上下文工程实践指南出发，我大概梳理出来，在一个 Agent 中最核心的模块我分为四类：

1. 1. 工具模块和管理：定义一些 Agent 的工具，可以是 MCP，也可以是 Skill，除了定义之后，我们还需要管理：工具的输出裁剪，工具的执行审核流程等
2. 2. 上下文管理：这个是启动 Agent 的关键，整理好注入给 LLM 的上下文是完成任务的关键，其中重要的是：上下文的压缩、上下文的裁剪等，同时 Agent 上下文会遇到：上下文污染、上下文干扰、上下文冲突、上下文混淆的问题，这些问题需要开发者结合系统工程的方式来解决
3. 3. LLM 模块：这个是 Agent 真正的核心，就像钢铁侠的“方舟反应堆”一样
4. 4. Agent 形态（执行器）：这个是 Agent 的执行形态，目前可以是工作流、可以是单智能体、可以是多智能体等各种形态

上下文工程实践指南

仓库名字：Practical-Guide-to-Context-Engineering

仓库链接：https://github.com/WakeUp-Jin/Practical-Guide-to-Context-Engineering

上下文工程核心架构

上下文组成

---

🪐 借助这四点核心的思路，我构建了一套 Agent 后端架构方案，为了方便大家理解，我还开发了一个 CLI 脚手架工具（比较简单），可以一键安装模板项目进行预览查看。

主要是让大家查看代码文件和文件之间的结构，以此对借助上下文工程的思路开发一个 Agent 有更清晰的感觉

cli 项目链接：https://github.com/WakeUp-Jin/context-cli-template

启动命令：

npm create context-template

cli-process

一、总设计

总设计

整个后端架构设计中，是按照上下文工程来做的设计，上下文管理是核心，它就是一个完整的大输入，以此输入作为前提，来解决用户的问题

1. 1. LLM 模块：是使用 openaiSDK 来实现的多种型号模型的使用，这里是提供模型的
2. 2. 工具模块和管理：工具是 LLM 关键的外部能力，是结合到上下文来让 LLM 使用的
3. 3. 上下文管理：这个是统一的上下文，其负责编排好上下文，在 执行器中将上下文输入给 LLM，以 LLM 的输出来解决问题

二、LLM模块

llm-module

关于 LLM 模块，整个模块的分为：

1. 1. LLM 创建工厂函数：根据传入的参数来判断实例化哪一个 LLM 服务类
2. 2. LLM 服务类：要编写一个相应的 LLM 服务类，里面有三种方法：complete 方法、simpleChat 方法、generate 方法，其中最重要的是 complete 方法，这个会作为上下文输入的核心方法

目录情况结构：

- llm  - services    - DeepSeekService.ts // 这个就是具体的LLM服务类    - DoubaoService.ts  - utils  - types    - index.ts //这个是整个llm模块的类型约束  - factory.ts //LLM工厂函数  - index.ts

举一个例子：

//具体使用//1、使用工厂函数实例化相应的LLM类const service = await createLLMService({  provider: 'deepseek',  model: 'deepseek-chat',  apiKey: process.env.DEEPSEEK_API_KEY || 'your-api-key-here',  maxIterations: 5,});//2、调用simpleChat方法const answer = await service.simpleChat(  '用一句话解释什么是大语言模型？',  '你是一个有帮助的 AI 助手');//3、调用complete方法let message=[//...]let tools=[//...]const response=await service.complete(message,tools)

参考文档在上下文工作实践指南中：

• • LLM模块-服务层的设计文档

三、工具模块和管理

tool-module

工具模块主要的三个点就是：

1. 1. 工具的定义：定义一个工具对象需要哪些属性
2. 2. 提供给 LLM 工具参数：可以是 tools 参数，也可以是提示词文本
3. 3. 工具的执行函数：工具的执行函数

目录结构：

- tool  - FileReadTool    - FileReadTool.ts //工具定义    - prompt.ts //工具描述  - GrepTool    - GrepTool.ts    - prompt.ts  - index.ts  - ToolManager.ts //工具管理函数  - types.ts //工具模块的类型

1、 工具定义

/** * 工具定义基础接口 */export interface InternalTool<TArgs = any, TResult = any> {  /** 工具名称(唯一标识) */  name: string;  /** 工具分类(如 filesystem、search、network) */  category: string;  /** 是否为内部工具 */  internal: boolean;  /** 工具描述(简短,详细描述在 prompt 中) */  description: string;  /** 版本号 */  version: string;  /** 参数定义(JSON Schema 格式) */  parameters: ToolParameterSchema;  /** 工具处理函数 */  handler: (args: TArgs, context?: InternalToolContext) => Promise<TResult>;  /** 可选:格式化结果给 AI */  renderResultForAssistant?: (result: TResult) => string;  /** 可选:权限控制 */  needsPermissions?: (input?: TArgs) => boolean; // 是否需要权限  isEnabled?: () => Promise<boolean>; // 是否启用  isReadOnly?: () => boolean; // 是否只读  isConcurrencySafe?: () => boolean; // 是否并发安全}

例如：

//1、创建工具管理器const toolManager = new ToolManager();//2、获取工具定义const tools = toolManager.getTools();//3、创建LLM服务const llm = await createLLMService(  {    provider: 'deepseek',    model: 'deepseek-chat',    apiKey: config.apiKey || '',    maxIterations: 5,  },  tools);//4、调用工具执行函数const answer = await llm.generate(  '请帮我读取 package.json 文件，并告诉我项目名称是什么');

四、上下文管理

context-module

在这种上下文管理设计中，将该 Agent 中所有种类的上下文管理统一起来，让 LLM 只需要直接和上下文输入联系

🌟🌟 在这种开发模式下，开发的重心在上下文的获取和整理，但是应用的关键核心是 LLM。

1. 1. 保证核心是 LLM，后续就可以根据模型能力的提升，Agent 的效果也变得越来越好。
2. 2. 开发重心是上下文，可以极大的发挥应用开发者的能力和创造力

目录结构：

- context  - base    - BaseContext.ts //基础上下文类  - modules    - ConversationContext.ts //上下文 - 会话历史记录类    - MemoryContext.ts //上下文 - 用户记忆类    - StructuredOutputContext.ts //上下文 - 结构化输出类    - SystemPromptContext.ts //上下文 - 系统提示词类    - ToolContext.ts  //上下文 - 工具管理类  - ContextManager.ts //上下文管理器  - index.ts  - types.ts // 上下文管理模块的类型约束

如何学习AI大模型 ？

“最先掌握AI的人，将会晚掌握AI的人有竞争优势，晚掌握AI的人比完全不会AI的人竞争优势更大”。 在这个技术日新月异的时代，不会新技能或者说落后就要挨打。

老蓝我作为一名在一线互联网企业（保密不方便透露）工作十余年，指导过不少同行后辈。帮助很多人得到了学习和成长。

我是非常希望可以把知识和技术分享给大家，但苦于传播途径有限，很多互联网行业的朋友无法获得正确的籽料得到学习的提升，所以也是整理了一份AI大模型籽料包括：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、落地项目实战等 免费分享出来。

👉点击即可获取大模型学习包2026年最新版👈

1. AI大模型学习路线图
2. 100套AI大模型商业化落地方案
3. 100集大模型视频教程
4. 200本大模型PDF书籍
5. LLM面试题合集
6. AI产品经理资源合集

大模型学习路线

想要学习一门新技术，你最先应该开始看的就是学习路线图，而下方这张超详细的学习路线图，按照这个路线进行学习，学完成为一名大模型算法工程师，拿个20k、15薪那是轻轻松松！

视频教程

首先是建议零基础的小伙伴通过视频教程来学习，其中这里给大家分享一份与上面成长路线&学习计划相对应的视频教程。文末有整合包的领取方式

技术书籍籽料

当然，当你入门之后，仅仅是视频教程已经不能满足你的需求了，这里也分享一份我学习期间整理的大模型入门书籍籽料。文末有整合包的领取方式

大模型实际应用报告合集

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。文末有整合包的领取方式

大模型落地应用案例PPT

光学理论是没用的，要学会跟着一起做，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。文末有整合包的领取方式

大模型面试题&答案

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。文末有整合包的领取方式

领取方式

这份完整版的 AI大模型学习籽料我已经上传CSDN，需要的同学可以微⭐扫描下方CSDN官方认证二维码免费领取！