主要观点：在之前“How Long Contexts Fail”帖子的基础上，介绍了完全减轻或避免上下文失败的方法，包括上下文管理策略如 RAG、工具配置、上下文隔离、上下文修剪、上下文总结和上下文卸载等，强调上下文管理是构建智能体的关键部分，现代语言模型的大上下文窗口不是信息管理马虎的借口。
关键信息：

• 上下文失败的方式：上下文中毒、上下文分散、上下文混淆、上下文冲突。
• RAG：选择性添加相关信息帮助语言模型生成更好的响应，每次模型增加上下文窗口，就会有“RAG 已死”的争论。
• 工具配置：选择与任务相关的工具定义添加到上下文，可通过 RAG 技术选择工具，小模型在超过 30 个工具时会出现问题，“Less is More”论文提出动态选择工具的方法。
• 上下文隔离：将上下文隔离在自己的专用线程中，Anthropic 的多智能体研究系统就是一个例子，可加快信息收集和提炼，有助于工具配置。
• 上下文修剪：从上下文中删除无关或不需要的信息，Provence 是一种有效的修剪方法，可将文章修剪 95%。
• 上下文总结：将累积的上下文提炼成浓缩的摘要，超过 100,000 个 tokens 会导致模型依赖历史而不是合成新计划，总结上下文很重要。
• 上下文卸载：将信息存储在语言模型的上下文之外，通过“think”工具实现，Anthropic 发现其在三种场景下很有用。
  重要细节：
• 以游戏术语“loadout”描述选择相关工具，Tiantian Gan 和 Qiyao Sun 通过存储工具描述在向量数据库中选择工具。
• Anthropic 的多智能体研究系统中，子代理通过并行操作和分离关注来提高信息收集和提炼的效率。
• Provence 是一种高效的上下文修剪器，仅 1.75GB 且使用简单。
• Gemini 2.5 Pro 在超过 100,000 个 tokens 的上下文时会出现倾向于重复历史动作的问题。
• Anthropic 的“think”工具是一个 scratchpad，用于记录笔记和进度，在三种场景下很有用。