维度 A：系统提示 —— 找到”刚刚好”的抽象层级#

两种典型失败：

• ❌ 过度硬编码：塞满 if-else 逻辑试图覆盖所有情况，脆弱且维护成本高
• ❌ 过度模糊：笼统的角色描述，缺乏具体信号

最佳实践：

• 用 XML 标签或 Markdown 标题组织分区（如 <background_information>、## Tool guidance）
• 追求”最小信息集”（注意：最小≠简短，复杂业务规则该写还得写）
• 迭代流程：最小提示 → 测试 → 发现失败模式 → 添加针对性指令 → 再测试

维度 B：工具 —— 定义 Agent 与世界的契约#

最常见失败模式：工具集臃肿（功能重叠、边界模糊）

反面教材：search_database / query_database / find_in_database 三个功能重叠的工具 → Agent 每次都要”纠结”该用哪个。

好工具的四要素：

• 自包含：职责清晰、功能不重叠
• 健壮：优雅处理错误，返回有意义信息
• 描述清晰：名称自解释、参数无歧义
• 返回高效：不塞入无关数据（一个 10KB JSON 中可能 80% 字段用不到）

维度 C：示例 —— 价值千言万语的”图片”#

常见错误：堆砌边缘案例试图用规则穷举。

Anthropic 的策展三原则：

• 多样性优先：覆盖不同类型常见场景，而非同一类反复变体
• 典型性优先：选择最能代表”正常工作模式”的案例
• 质量优先：每个示例都是完整的”行为画像”

“对 LLM 来说，一个好示例胜过十条规则。“

维度 D：消息历史 —— 容易被忽视的上下文大户#

核心问题：几十轮交互后，消息历史可能占据 80% 以上的上下文窗口，大部分是早已过时的中间结果。

自检方法：审视每段信息，问”如果去掉这段，模型输出质量会下降吗？“如果”不会”或”不确定”，它就不该出现在上下文里。

Anthropic 官方数据（2025-09 发布）#

Anthropic 推出的两项新功能（Claude Developer Platform Public Beta）：

• Context Editing：当接近 Token 限制时，自动清除过时的工具调用和结果
• Memory Tool：让 Claude 通过基于文件的系统在上下文窗口外存储和查阅信息

腾讯云 Agent Memory 方案（基于”上下文卸载 + Mermaid 无限画布”）#

核心启示：

• 性能提升和 Token 节省可以同时获得（不是零和博弈）
• 效果在长任务、多任务场景下尤为显著（任务越复杂，收益越大）
• 工程优化（Context Engineering）能比模型微调带来更大杠杆

核心思想#

“压缩不是让 Agent 少知道，而是让 Agent 少背负；信息可以离开上下文窗口，但不能离开 Agent 的可达范围。“

四层折叠存储架构#

每次工具调用结束后，信息被拆成四种形态分别存放：

信息流向：完整 tool result → refs/.md → offload-.jsonl → mmds/*.mmd → 当前上下文

为什么选 Mermaid？#

• 通用知识：所有主流 LLM 预训练数据中广泛存在
• 语法简单：节点 + 箭头 + 标签，生成和理解认知负担一致
• 表达自由：任意形状、方向、长度、嵌套、分支

Mermaid 节点示例（一张可读的任务卡片）：

1
003-N4["timeseries-module-structure
2
status: done
3
summary: 列出 timeseries 目录，发现 core.py/sampled.py/binned.py
4
Timestamp: 2026-04-16T22:19:53.895+08:00"]

实验对比：Flowchart 比 StateDiagram 效果好 15%（长任务中 Agent 需要表达并行分支、汇聚节点、回退路径，Flowchart 更适合开放探索式执行）。

层次化注意力机制（找回信息的三个步骤）#

1. 鸟瞰（Overview）：看任务级概览，判断方向
2. 聚焦（Focus）：打开对应任务画布，查看结构
3. 下钻（Drill-down）：必要时追溯到 JSONL 摘要或原始材料

消融实验结论（SWEbench）：

• 仅上下文卸载：+5% 成绩，约 15% Token 节省
• 上下文卸载 + MMD：+9.93% 成绩，31%-33% Token 节省

MMD（Mermaid Diagram）解决了”结构丢失”问题，与上下文卸载形成互补，组合方案效果显著。

适用场景#

该方案尤其适合办公提效、创作、研究和编程等长任务和多任务场景——这些场景有三个共同特点：资料多、步骤长、反复改。

核心思想#

不用微调，不改变模型参数，让智能体自己成长。

ACE 的目标不是”训练一个更聪明的 LLM”来让 Agent 更聪明，而是让 Agent 学会”训练自己”——通过不断调整和丰富它的上下文，实现类似”自我学习”的能力。

四大组件#

1
Playbook 策略知识库
2
        ↓ 提供策略
3
Generator 生成器（行动者）
4
        ↓ 执行结果
5
Reflector 反思器（复盘者）
6
        ↓ 提炼经验
7
Curator 策划器（策略管家）
8
        ↓ 更新策略
9
Playbook 策略知识库（循环）

完整循环#

1
生成 → 反思 → 策划 → 再执行

客服智能体案例：

• 第一次任务：回答”退款到账时间”时给出笼统答案”1-7 个工作日”
• Reflector 反思：“我没区分支付渠道（支付宝/微信/信用卡），导致回答模糊”
• Curator 策划：“当回答退款周期时，需根据支付方式提供具体时间范围”（注入 Playbook）
• 第二次任务：智能体参考这条经验，回答变为”支付宝 1-2 个工作日，信用卡 3-7 个工作日”

ACE 的本质创新：让上下文从”静态配置”变成”可演化资产”——这与昨天（07-27）技能系统讲到的”可进化资产”是同一思想在不同层级的体现。