生产级 AI 智能体的四层上下文工程:Deep Insight 如何在可运行代码中落地
摘要
AWS 博客系统梳理出生产级 AI 智能体的四层上下文工程方法,并以开源多智能体数据分析方案 Deep Insight 作为参考实现,逐层展示可运行代码。
核心要点
- 四层框架具体为:架构层隔离上下文、提示词层控制上下文、外化到文件系统、用独立智能体与安全机制做验证,来源包括 Anthropic 的工程文章与 Strands Agents SDK 的内置能力
- 该参考实现中,一个「写入并执行」工具把每个脚本注入上下文的 token 量削减约 95%;按需加载技能(skills)使系统提示词缩小约 97%
- 文中以 Claude Sonnet 4.5 在 Amazon Bedrock 上提供的 200K 上下文窗口为例,指出复杂生产任务会快速超出,例如「分析销售数据并生成 DOCX 报告」被拆成数据加载探索、分类销售分析、五张时序图表、统计校验、报告生成等阶段,累计约 26 分钟
- Deep Insight 是构建在 Strands Agents SDK 与 Amazon Bedrock AgentCore 之上的开源方案,全篇以其作为贯穿性参考实现,技术栈还涉及 Amazon Bedrock 与 AWS Fargate 的分层配合
- 该文为三篇系列的第二篇,第一篇总结多智能体系统的五个生产挑战,第三篇将讲解在 Amazon VPC 私有网络中安全部署与运维智能体
原文佐证
- a single write-and-execute tool cuts the tokens each script adds to context by about 95 percent, and loading skills on demand shrinks the system prompt by about 97 percent
- Anthropic Claude Sonnet 4.5, available on Amazon Bedrock, offers a 200K context window, but complex production tasks quickly exceed it
- Anthropic’s engineering posts, together with features built into the Strands Agents SDK, converge on four layers of context engineering: isolate context at the architecture level, control it through prompts, externalize it to the filesystem, and verify it with independent agents and safeguards
AI 洞察
这篇内容的真正信号是:上下文工程正从零散技巧固化为分层可复用的工程规范,并由 SDK 与云平台以框架形式标准化,长上下文窗口的军备竞赛并未消除工程需求,反而把优化重点从「塞得下」转向「装得准、花得少」。对做智能体的团队而言,架构隔离、工具结果外化、按需加载技能这些手段会直接决定单位任务成本和可靠性,未来竞争差距可能更多来自这类工程细节而非模型本身。