实践经验

大语言模型本质上是无状态的——每次调用，模型对"你是谁"“上次聊了什么"“你喜欢什么风格"一无所知，除非这些信息被显式塞进当前的上下文窗口。这和 RAG 要解决的问题不是一回事：RAG 补的是模型"没见过的知识”，而这里要聊的是模型"没记住的经历”——同一个用户、同一个项目，换一次会话就打回原形，昨天纠正过的错误今天还会再犯一遍。

这两年"多智能体"（Multi-Agent）几乎成了 AI 应用绕不开的话题——Claude Code 里的 subagent、n8n 里的多节点工作流、各种 Agent 编排框架，本质上都在回答同一个问题：一个大模型上下文搞不定的任务，能不能拆成几个更小的、各司其职的智能体来协作完成？

在使用 MCP（Model Context Protocol，模型上下文协议）构建 AI 应用的过程中，上下文管理是绕不开的核心话题。无论是对话系统、代码助手还是知识库问答，上下文的质量直接决定了 AI 响应的准确性和连贯性。本文结合实际使用经验，聊一聊在 MCP 体系下做好 AI 上下文管理的一些心得。