写在前面
前两天写了一篇关于 [Manus 上下文工程]的学习笔记，分享了 Manus 团队在管理 Agent 上下文（Context）方面的三大核心策略：缩减（Reduction）、隔离（Isolation）、卸载（Offloading）。
其实前几天（2026 年 1 月 6 日），Cursor 团队也发布了一篇技术博客：Dynamic Context Discovery[1]，分享了他们在上下文工程（Context Engineering）方面的实践，推荐大家一起阅读学习。
读完之后发现，虽然两家公司的表述视角不同，但核心理念高度一致——都在试图解决同一个问题：
如何在保持 Agent 智能的同时，避免上下文窗口被撑爆？
所谓「上下文窗口（Context Window）」，就是 LLM 一次能「看到」的信息量上限。超过这个上限，要么报错，要么需要压缩/丢弃部分内容。
两家公司用不同的视角表达了相似的理念：
- Manus：压缩 + 卸载 + 隔离
- Cursor：少预先注入，多动态发现
殊途同归。
本文是我读完上述博客后的学习笔记，仅用作学习交流，可能存在理解偏差或事实问题，欢迎指正。推荐大家直接去读原文，我的笔记难免存在压缩和转译偏差。
核心理念：动态 vs 静态
Cursor 提出了一个非常清晰的二分法：
| 上下文类型 | 定义 | 特点 |
|---|---|---|
| 静态上下文（Static Context） | 预先注入到 prompt 中 | 始终存在，无论是否需要 |
| 动态上下文（Dynamic Context） | Agent 按需拉取 | 只有必要时才进入上下文窗口 |
Cursor 团队的核心发现是：少给一点，让 Agent 自己找。模型越强，这个策略越有效。
“As models have become better as agents, we’ve found success by providing fewer details up front, making it easier for the agent to pull relevant context on its own.”
这与 Manus 的「保持边界清晰，然后让开（Keep the boundary clear — then get out of the model’s way!）」理念如出一辙。
五大核心策略
Cursor 将这一理念落地为五个具体策略，我理解起来核心思路是：把一切都变成文件，让 Agent 按需检索。
策略一：长工具响应转为文件
问题：工具调用可能返回大量 JSON，导致上下文膨胀。
常规做法：截断长响应。但这会导致数据丢失，可能包含重要信息。
Cursor 做法：
工具返回长响应 → 写入文件 → 返回文件路径 → Agent 用 tail 查看末尾 → 按需读取更多这与 Manus 的「双版本机制」异曲同工——完整版存储在文件系统，紧凑版（引用）进入上下文。
💡关键洞见：不要截断，要卸载。截断是信息丢失，卸载是信息转移。
策略二：摘要时引用聊天历史
问题：当上下文窗口填满时，需要触发摘要。但摘要是有损压缩，Agent 可能遗忘关键细节。
Cursor 做法：
- 将聊天历史保存为文件
- 摘要后给 Agent 提供历史文件的引用
- 如果 Agent 发现摘要中缺少细节，可以搜索历史文件恢复
摘要时引用聊天历史示意图
这张图很好地展示了这个机制：
- 左侧：上下文超限，触发摘要
- 右侧：摘要后 Agent 发现需要 S3 位置信息，于是搜索历史记录（
Searched agent transcript），成功找回
💡关键洞见：有损压缩（Lossy Compression）+ 恢复能力。
摘要的本质是有损压缩——为了节省空间，必然会丢失一些细节。正如原文所说：“The agent might have forgotten crucial details about its task.”（Agent 可能会忘记任务的关键细节。）
Cursor 的解决思路是：接受有损，但保留恢复能力。摘要后，Agent 仍然可以通过搜索历史文件找回缺失的信息。这样既控制了上下文大小，又不会真正丢失信息。
这与 Manus 的结构化摘要策略形成互补——Manus 强调「如何做好摘要」，Cursor 强调「摘要后如何恢复」。
策略三：支持 Agent Skills 开放标准
Cursor 支持 Agent Skills[2]，一个用于扩展 AI Agent 能力的开放标准。
什么是 Agent Skills？Skill 是一个可移植的、版本控制的知识包，用于教 Agent 如何执行特定领域的任务。Cursor 启动时会自动从.cursor/skills/目录发现 Skills。（⚠️ 该功能目前仅在 Nightly 版本可用）
这与动态上下文发现的关系是什么？
Agent Skills 的设计完美体现了「静态存目录，动态读正文」的理念：
| 组件 | 存储位置 | 发现方式 |
|---|---|---|
| Skill 名称和描述 | 静态上下文 | 始终可见 |
| Skill 详细内容 | 文件系统（SKILL.md） | grep（文本搜索）/ 语义搜索动态发现 |
| 可执行文件/脚本 | 文件系统 | Agent 按需调用 |
这与 Manus 的分层动作空间（Hierarchical Action Space）理念一致，也与 Claude Code 的 Skills 功能[3]采用相同的**渐进式披露（Progressive Disclosure）**策略。
💡关键洞见：静态只存目录，动态才读正文。
传统做法：把所有 Skill 的完整内容都塞进 system prompt → 上下文膨胀，大部分内容用不到。
Cursor 做法：system prompt 只放 Skill 的名称和简短描述（几十个字），详细内容存在
SKILL.md文件里。当 Agent 判断需要某个 Skill 时，再通过搜索读取完整内容。这就是「渐进式披露（Progressive Disclosure）」——先给概览，按需深入。
📝笔者批注：这种「静态存目录，动态读正文」的做法并非 Cursor 独创。Claude Code 也采用了类似的 Skills 机制，Manus 的分层动作空间本质上也是同样的思路。这种模式正在逐渐成为 AI Agent 上下文管理的行业惯例——当 Agent 需要扩展能力时，不要把所有内容都塞进 prompt，而是建立一个「能力目录」，让 Agent 按需检索。
策略四：高效加载 MCP 工具
MCP（Model Context Protocol）是一个让 AI Agent 连接外部工具和数据源的开放协议。
问题：MCP Servers 可能包含很多工具，每个工具都有长描述，显著膨胀上下文窗口。更糟糕的是，大多数工具在单次任务中根本用不到。
Cursor 做法：
- 将工具描述同步到文件夹（每个 MCP Server 一个文件夹）
- 静态上下文只包含工具名称列表
- Agent 需要时通过文件系统查找工具详情
实测效果：
在调用 MCP 工具的任务中，这个策略减少了 46.9% 的总 Agent token 消耗（统计显著）。此外，由于工具信息存在文件中而非仅在上下文中，即使 MCP Server 需要重新认证，Agent 也不会像以前那样直接「忘记」这些工具——它仍然知道这些工具的存在，可以主动告知用户需要重新认证。
MCP 工具动态发现减少 46.9% token
💡关键洞见：同样的模式再次出现——名称列表静态加载，详细描述动态检索。这与 Agent Skills 的设计如出一辙。
📝笔者批注：原文还提到一个有趣的架构观点：Cursor 认为优化 token 消耗是 coding agent 的责任，而非 MCP Server 的责任。这意味着我们不应期望每个 MCP Server 都为 token 优化做适配，而应该在 Agent 层面统一解决。
策略五：终端会话视为文件
问题：用户经常需要把终端输出复制粘贴给 Agent，问「为什么我的命令失败了？」
Cursor 做法：
- 将集成终端输出同步到本地文件系统
- Agent 可以直接引用终端历史
- 对于长日志，Agent 可以用
grep（文本搜索命令）只搜索相关输出
优势：
- 用户无需手动复制粘贴
- 终端历史可能很长，但 Agent 只需 grep 相关部分
- 与 CLI 类 coding agent（如 Claude Code）的体验一致，但是动态发现而非静态注入
最后的启示
结合 Manus 和 Cursor 的实践，或许上下文工程的最佳实践核心可以归纳为一句话：
给 Agent 一个文件系统，而不是一个塞满内容的 prompt。
为什么是文件？因为文件是一个简单、强大、且面向未来的抽象。正如 Cursor 在原文中所说：“It’s not clear if files will be the final interface for LLM-based tools.”——虽然不确定文件是不是最终答案，但它足够安全。
这也与 Karpathy 对上下文工程的定义[4]高度一致：
上下文工程是一门精细的艺术和科学，旨在为 Agent 轨迹的下一步填充恰到好处的信息。
恰到好处——不多也不少。而实现「恰到好处」的方法，就是动态发现。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
)
