unsetunset困在“上下文迷雾”中的巨兽unsetunset
上周五下午，我盯着屏幕上的一个数据，愣了足足十秒。
一份 EMNLP 的报告给了我当头一棒：即使你的检索准确率是 100%，一旦上下文超过 30,000 个 Token，推理准确率就会出现断崖式下跌，跌幅最高可达 85%。
我感觉像被谁打了一拳。
我们一直以为，给 Agent 喂越多的数据，它就越聪明。但这就像给一个正在做微积分的学生，塞了一整座图书馆的书，然后指望他能考满分。结果？他彻底疯了。
这就是 “上下文迷雾”（The Context Fog） 。
"Context Stuffing is the new memory leak."
—— Hacker News 上的热评[1]
看看这个典型的翻车现场： 用户只问了一句“怎么退款”，你的 RAG 系统却一口气抓回了 10,000 Token 的网页原码。五年前的过时条款、无关的促销广告，甚至连页脚的版权声明都一股脑塞给了模型。结果？Agent 在这堆垃圾里彻底迷路，开始一本正经地胡说八道。
更糟糕的是账单。根据最新的成本测算[2]，这种粗暴的“Context Stuffing”（填鸭式填充）模式，成本是精细化“Context Engineering”的 10 倍。
| Context Stuffing | |||
| Context Engineering | $0.25 | > 80% | |
| 结论 | 不可持续 | 必须转型 |
▲ 表1. 成本与准确率对比：Context Engineering 在长程任务中展现出压倒性优势（数据来源：Sundeep Teki）
你的 Token 计费表正在疯狂跳动，每一秒的犹豫，都在燃烧你的预算。
RAG 范式撞墙了。
全速冲刺后的一声巨响。Token 爆炸、记忆丢失、推理失效……这些问题像四面围墙，把我们困死在原地。我们需要一把锤子，或者一条地道。
unsetunset给 Agent 装一个“外挂大脑”unsetunset
解药竟然是我们最熟悉的陌生人：文件系统。
LangChain 的 Nick Huang 最近提出了一个振聋发聩的观点[3]：文件系统不应该只是存储，它应该是 Agent 与世界交互的单一接口（Single Interface）。
别再给 Agent 喂饭了。给它文件系统权限，让它长出自己的“外挂大脑”。从今天起，让它自己去书架上找书看。
看看现在的先行者们。Claude Code[4] 和 Manus[5] 已经不再依赖单纯的向量检索。它们像一个老练的 Linux 运维，熟练地使用 ls 查看目录结构，用 grep 精准定位关键词，最后只用 read 读取那几十行真正有用的代码。
看着 Agent 在目录里进进出出，像个真正的图书管理员一样整理资料。它不再傻乎乎地等着你投喂，它开始自己做笔记，甚至自己清理垃圾。那种“它活了”的感觉，前所未有。
“Agent 不再是一个被动的阅读者，而是一个主动的图书管理员。”
这就是范式的逆转：从无状态的查询（Stateless Query），转向有状态的文件操作（Stateful File Operation）。
▲ 图1. 范式逆转：文件系统如何让 Agent 拥有“持久化记忆”与“精准检索”能力
unsetunset10,000 Token 的“失忆症”与进化的代价unsetunset
但所有进化都有代价。这次的账单，可能比你想象的要贵。
当我第一次给 Agent 赋予文件读写权限时，那种兴奋感很快被一种恐惧取代。Trail of Bits 的研究员演示了一个名为 “Prompt Injection to RCE”[6] 的攻击。
黑客只需要在一个网页里隐藏一段恶意指令，当你的 Agent 读取这个网页时，它就会被诱导去修改系统的配置文件，甚至把你的 SSH 密钥发给黑客。这就像把钥匙给了保姆，结果保姆是小偷。
除了安全，还有性能。虽然文件系统检索更精准，但它慢。根据实测，一套完整的 ls -> grep -> read 流程，平均耗时 5 秒。而传统的向量检索只需要 0.8 秒。这种延迟在实时交互中是致命的。
那种慢，就像你看着进度条在 99% 卡住了一样让人抓狂。
但我们别无选择。因为“无状态”架构有一个更可怕的缺陷：失忆症。
无论用户纠正了 Agent 多少次，只要它的 System Prompt 是静态的，下一次对话它依然会犯同样的错。它永远活在“第一天”，永远无法成长。这就像《初恋 50 次》里的女主角，每天醒来都把昨天忘得一干二净。
unsetunsetAgent 如何在文件系统里“翻箱倒柜”？unsetunset
拆解开来就是三板斧：
全景扫描 ( ls)：先看目录结构。Agent 需要知道项目长什么样，哪里是源码 (src)，哪里是文档 (docs)，建立第一层空间认知。精准定位 ( grep)：不打开文件，直接搜内容。在几千个文件中，瞬间锁定包含特定函数或变量的那几行。这是对 Token 的极致吝啬。深度读取 ( read)：只读命中的那一段。与其把整个文件塞进内存，不如只提取那几十个字节的关键信息。
看看 Morph 的测试结果，差距大得惊人。这种 “语义检索 + Grep 混合流” 方案，将复杂代码任务的完成率从 64% 提升到了 84%。
在 LangChain 的 deepagents 库中，这种逻辑被封装得非常优雅：
# 伪代码示例：Agent 像使用 Google 一样使用 grep 工具
@tool
def grep_file(pattern: str, path: str) -> str:
"""
查找文件中是否包含 pattern，返回匹配行。
这比读取整个文件要节省 99% 的 Token。
"""
try:
# 模拟 grep -rn "pattern" path
result = subprocess.check_output(["grep", "-rn", pattern, path])
return result.decode("utf-8")
except Exception as e:
return f"Error: {e}"
# Agent 调用示例
# agent.invoke("在 src 目录下查找所有包含 'API_KEY' 的文件")
看着这几行简单到简陋的代码，我差点笑出声。但就是这几行代码，让 Agent 学会了最重要的一件事：拒绝。拒绝阅读那 99% 的垃圾 Token。
unsetunsetDeep Agents 的黎明：会自我进化的 Promptunsetunset
把 read 变成 write，不仅仅是改了一个权限位。这相当于给了 Agent 一支笔，让它开始改写自己的命运。
Agent 在一次任务中犯了错，用户指出了错误。Agent 不仅仅是道歉，它调用了 write_file 工具，打开了自己的 system_prompt.md 文件，在“注意事项”那一栏，加了一条新的规则。
它改写了自己的基因。
这就是 Deep Agents 的雏形。它们不再是静态的工具，而是会自我进化的生命体。
在这个新世界里，“Context Engineering” 将取代 “Prompt Engineering”，成为定义 AI 能力的核心技能。我们需要关心的不再是如何写出漂亮的 Prompt，而是如何为 Agent 构建一个 “可生长”的文件环境 。
音乐已经停了，RAG 的狂欢结束了。现在，是时候给你的 Agent 装上文件系统，让它学会自己整理记忆了。
