How agents can use filesystems for context engineering
原文：LangChain Blog | 作者：Nick Huang | 抓取时间：2026-05-27
什么是 Context Engineering
EN: A view of context engineering.
现代 agent 工程师的关键任务：通过 context engineering 的 lens 看待工作。
Agent 通常可以访问大量 context（所有支持文档、所有代码文件等）。为了回答 incoming question，agent 需要一些重要的 context。
Agent 的 context engineering 可能在以下情况"失败"：
1. Agent 需要的 context 不在 total context 中 → agent 无法成功 2. Agent 检索的 context 不能 encapsulate 所需的 context → agent 无法正确回答 3. Agent 检索的 context 远大于需要的 context → agent 浪费（时间和 tokens）
我们的工作：让 agent 检索的 context 成为所需信息的最小超集（fit red to green）。
文件系统如何让 agent 变得更好
EN: How can a filesystem make an agent better?
Filesystem 提供了一个单一接口，通过它 agent 可以灵活地存储、检索和更新无限量的 context。
场景一：Token 过多（Retrieved >> Necessary）
EN: Too many tokens.
不用对话历史来保存所有工具调用结果和笔记，agent 可以将这些写入 filesystem，然后有选择地查找相关信息。
Manus 是最早公开谈论这种方法的人之一：
- Web 搜索返回 10k tokens 的原始内容
- 如果放入消息历史，所有 10k tokens 都会在整个对话中 sitting there
- 如果 offload 到 filesystem，agent 可以智能地 grep 搜索某些关键词，然后只将必要的 context 读入对话
场景二：需要大量 Context（Necessary > Context Window）
EN: Needs large amounts of context.
Filesystem 为 LLM 动态存储和提取更多信息提供了很好的抽象：
- Long horizon answers：Agent 需要制定计划然后 follow it。通过将计划写入 filesystem，agent 可以在以后 pull 此信息回到上下文窗口
- Subagents 并行工作：当 subagents 做工作和学习时，不是 just replying with their learnings，而是可以将知识写入 filesystem（minimize the game of telephone）
- 大量 instructions：不是将所有 instructions stuff into the system prompt，可以将它们存储为文件并让 agent 动态读取
场景三：Finding Niche Information（Retrieved ≠ Necessary）
EN: Finding niche information.
Semantic search 在某些用例中可能有效，但对于某些类型的文档（如 technical API reference、code files），semantic 可能由于文本中语义信息不足而 placed very poorly。
Filesystems 提供了替代方案，让 agent 使用 ls、glob 和 grep 工具智能搜索 context：
- 当前的模型经过专门训练来理解 traversing filesystems
- 信息通常已经逻辑结构化（目录）
glob和grep允许 agent 不仅隔离特定文件，还允许隔离特定的行和特定的字符read_file工具允许 agent 指定从文件中读取哪些行
场景四：Learning Over Time（Total Context ≠ Necessary Context）
EN: Learning over time.
Agent 出错的一个大原因是它们缺少相关 context。改进 agent 的一个好方法是确保它们可以访问正确的 context。
一个 agent 的 instructions（或 skills）与它可能想要使用的任何其他 context 没有区别。Filesystem 可以作为 agent 存储和更新自己 instructions 的地方。
在用户反馈后，agent 可以立即写入自己的文件并记住一条重要信息。这对于快速的一次性事实很好，特别是可能特定于用户的内容，如他们的名字、email 或其他偏好。
总结
EN: Summary.
Filesystem 为 agent 提供了：
| 能力 | 说明 | |------|------| | Scratchpad | 用于大型 context 的临时存储 | | Long-horizon Memory | 跨 session 保存计划和状态 | | Shared Workspace | Subagents 之间共享知识 | | Dynamic Instructions | Agent 可以随时间更新自己的 skills | | Structured Search | 通过 ls/glob/grep 而非 semantic search 查找 niche 信息 |