Agent 怎麼使用檔案系統實現上下文工程？ @LangChainAI 這篇部落格的核心觀點是：目前Agent 最主要的失敗原因已不再是模型能力不足，而是上下文管理方式落後。團隊提出以「檔案系統」作為Agent 的外部工作空間，來徹底解決傳統RAG 在複雜任務中的一系列頑疾，讓Agent 進入「情境工程」時代。 文件系統為何能大幅提升Agent 可靠性？ 傳統RAG 依賴向量資料庫語意搜索，有四大致命問題： · 容易漏召回關鍵訊息，或召回大量無關噪音· 對程式碼、長文件、結構化資料檢索效果極差· 無法精準定位到某幾行、某個函數、某個章節· 上下文視窗一滿就遺忘先前重要訊息，且每次對話重新開始又全部失憶 檔案系統+ 符號檢索（ls、glob、grep）則完美規避以上問題： · 寫文件→ 持久化存儲，永不遺忘· 用路徑、文件名、關鍵字、行號等方式實現零噪聲精準檢索· 大結果先落地到文件，按需加載最小必要片段，避免token 爆炸· 支持Agent 自我進化：把新學到的指令、用戶偏好、成功案例寫入文件，永久生效 LangChain 推出兩個實用工具 1. File-Agent Toolkit（單智能體檔案操作工具集） 包含read_file、write_file、append_file、list_directory、glob、grep 等指令。 典型用法：網路搜尋返回10k token → 先整體寫檔案→ 用grep 精確提取相關100-200 行→ 再餵給模型。 2. Multi-Agent File System 協作模式多個子智能體不再透過訊息互相傳遞訊息（容易失真、token 浪費），而是共享同一份工作目錄： · 子智能體把發現、結論、資料寫入約定檔· 主智能體隨時讀取最新文件，保持全局一致徹底解決多智能體「傳話遊戲」所導致的資訊扭曲問題，特別適合長時程、複雜研究任務。 建議的上下文工程最佳實踐· 任何大體積輸出（搜索結果、代碼、長計劃）必須先寫文件· 所有計劃、指令、用戶偏好也要落地成文件，實現永久記憶· 檢索時優先使用符號檢索（grep/glob）而非純向量搜索，確保精準· 結合少量向量搜索做入口，再用文件系統工具做二次精查· 讓
