Context Engineering для агентов

Короткая версия

Для агентных систем почти всегда нужны шесть вещей:

Что ломает агентов чаще всего

• все tool results тащатся целиком;
• старые шаги не compact-ятся;
• агент не различает current state и archived state;
• MCP/resources/tools смешаны без приоритетов;
• handoff не передаёт структурированное состояние.

Текущий шаг агента:
- goal: сравнить 3 конкурента
- completed: собран pricing по 2 конкурентам
- current tool result: pricing table competitor_3
- archived summary: конкуренты 1 и 2 уже разобраны
- next action: synthesize comparison

1. Агентный контекст растёт по шагам, а не по сообщениям

В агенте контекст увеличивается не только из-за диалога, но и из-за:

• tool outputs;
• search results;
• browser state;
• file contents;
• handoffs между агентами;
• intermediate reasoning artifacts.

Поэтому transcript-first подход почти всегда быстро ломается. Agent CE должен быть step-first.

2. Step State важнее полного tool log

На каждом шаге агенту обычно нужен не весь сырой history, а:

• текущая цель;
• какие шаги уже выполнены;
• какие факты уже подтверждены;
• какой результат получен последним;
• что делать дальше.

Это и есть step state. Он обычно намного компактнее полного лога, но намного полезнее для следующего решения.

3. Tool Result Compaction

Один из главных паттернов agent CE: tool result не живёт в контексте в полном виде дольше, чем это реально нужно.

Практически полезно делить tool output на три слоя:

Это защищает context window от agent-run bloat.

4. MCP как контекстный слой, а не просто transport

MCP полезен для CE не потому, что это “новый протокол”, а потому, что он структурирует внешнюю среду агента:

• resources дают доступ к статическим или semi-static данным;
• tools дают действия и live data;
• prompts/instructions могут приходить как reusable context blocks.

С точки зрения CE это означает: агенту больше не нужно заранее держать всё в prompt. Он может подтягивать нужный ресурс или tool только на текущем шаге.

5. Route-aware agent assembly

Не все шаги агента требуют одинакового контекста.

Примеры:

• planning step: больше goal, меньше raw tool data;
• execution step: больше tool results;
• synthesis step: больше compact summary и extracted facts;
• handoff step: нужен структурированный transfer packet.

То есть даже внутри одного run context assembly должен меняться по stage.

6. Long-run pruning

Для длинных agent runs без pruning всё ломается очень быстро. Здоровый long-run pattern обычно такой:

1. последние 1-2 шага живут почти дословно;
2. средние шаги превращаются в extracted facts;
3. старые шаги уходят в archived summary;
4. raw artifacts остаются вне prompt, но доступны по ссылке/resource.

Это особенно важно для:

• research agents;
• coding agents;
• browser/computer-use agents;
• workflow orchestrators.

7. Handoffs должны переносить state, а не transcript

Когда агент передаёт работу другому агенту, полезнее всего передать:

• goal;
• current status;
• confirmed facts;
• unresolved questions;
• next expected action;
• required tools/resources.

Это лучше, чем просто кидать весь предыдущий transcript другому specialist agent.

8. Context budget for agents

Агентам почти всегда нужен более жёсткий budget control, чем обычным chat-системам, потому что:

• tool results растут непредсказуемо;
• step count увеличивается;
• synthesis steps легко получают слишком много старого state;
• handoffs добавляют ещё один слой context.

Хороший budget обычно разделяет:

• instructions;
• goal/state;
• current tools;
• archived summary;
• output reserve.

9. Что обычно мониторят

Минимум полезных агентных CE-метрик:

10. Healthy agent CE stack

Для большинства агентных систем практичный стек выглядит так:

1. versioned agent instructions;
2. explicit tool/resource surface;
3. step state как основной рабочий слой;
4. compacted run history;
5. structured handoff packets;
6. traces и pruning metrics.

Пример step-state packet

from dataclasses import dataclass, field


@dataclass
class AgentState:
    goal: str
    completed_steps: list[str] = field(default_factory=list)
    confirmed_facts: list[str] = field(default_factory=list)
    last_tool_result: dict | None = None
    archived_summary: str = ""
    next_action: str = ""


def build_agent_context(state: AgentState) -> str:
    parts = [f"Goal: {state.goal}"]

    if state.completed_steps:
        parts.append("Completed steps:\n- " + "\n- ".join(state.completed_steps[-5:]))

    if state.confirmed_facts:
        parts.append("Confirmed facts:\n- " + "\n- ".join(state.confirmed_facts[:10]))

    if state.archived_summary:
        parts.append(f"Archived summary:\n{state.archived_summary}")

    if state.last_tool_result:
        parts.append(f"Latest tool result:\n{state.last_tool_result}")

    if state.next_action:
        parts.append(f"Next action: {state.next_action}")

    return "\n\n".join(parts)

Ключевая мысль:

• агент думает не по полному transcript;
• он думает по compact state packet;
• свежий tool result отделён от archived history.