# 模型窗口不是无限大的垃圾桶：为什么智能体需要上下文治理

> 原标题：模型的窗口不是无限大的垃圾桶：为什么智能体需要上下文治理

- 来源：Computing Life · Share · 鸭哥调研
- 发布时间：2026-07-08T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/43256
- 原文：https://yage.ai/share/context-governance-agent-runtime-20260707.html

## 摘要

给智能体接上几十个工具后，用户一句简单提问会被淹没在工具定义、日志和抓取数据里。Anthropic 的 MCP 沙箱把 15 万 token 的工具定义压缩到约 2000 token 的高信号输入；Google ADK 把智能体状态拆成工作上下文、会话记忆和文件制品，中间产物默认不占窗口；Manus 在生产环境里输入输出 token 比约 100:1，...

## 推荐理由

HKR 三项都踩中了，有新鲜比喻、有跨框架的工程数字对比，读起来不像是公关稿。扣分是因为这是个人博客而非官方发布，且摘要截断在论证中途，信息完整度打了折扣，所以 featured 低段给 78 分。

## 锐评

这篇文章点出了一个很实际的工程问题：给智能体接上几十个工具后，用户一句简单提问会被工具定义、日志和抓取数据淹没。它把问题从“缺上下文”推进到了“上下文治理”，这个判断是准的。

文章引用的几个案例挺说明问题。Anthropic 的 MCP 沙箱能把 15 万 token 的工具定义压缩到约 2000 token 的高信号输入，这直接关系到单次调用的成本和模型注意力。Manus 披露的生产环境输入输出 token 比约 100:1，这个数字解释了为什么前缀缓存命中率会决定系统的经济可行性。他们用固定工具调用格式保缓存、在窗口末尾重写任务看板对抗“中段迷失”，都是很具体的工程手段。

不过，文章对 Headroom 这类独立压缩中间件的评价比较克制，指出它缺乏大规模验证，在紧凑代码或短对话场景可能反而增加延迟。这点很关键，说明“压缩”不是万能药。整体来看，文章把 RAG 定位为基础数据接入层，把文件系统、状态管理和缓存策略视为更上层的运行时治理，这个分层思路对做 agent 系统的开发者有参考价值。但正文没给出这些方案在复杂编程任务上的具体成功率对比，实际选型时还需要自己测。