如何剖析多智能体代码中的Agent Context Engineering实现？

承接上篇对Context Engineering的探讨，本文将聚焦多智能体框架中的上下文管理实践。我们将深入剖析两个代表性框架：字节跳动开源的基于预定义角色与Supervisor-Worker模式的 Deer-Flow ，以及在其基础上引入动态智能体构建能力的清华 **CoorAgent ** 。通过对它们设计思路和实现细节的拆解，提炼出多智能体协作中高效管理上下文的关键策略。 Context Engineering Tips 从开源框架和我们日常的开发实践中，优化多智能体上下文管理有以下一些思路。（注：只是一种Practice，并不是Best Practice，毕竟见山不是山嘛哈哈哈哈） 降低上下文长度与复杂度 (Reduce Length & Complexity) 上文丢弃 (Discard Context)： 如Deer-Flow的Coordinator。若用户提问与智能体任务无关，在回复用户后，清空历史对话消息 (Message History = 0)。 上文隔离 (Isolate Context)： Supervisor-Worker模式的核心。每个Worker智能体拥有独立的上文环境，仅接收自身任务目标作为启动指令，与Supervisor及其他Worker隔离。 上文分解 (Decompose Context)： Supervisor（Planner）将复杂任务拆解为独立步骤。每个步骤复杂度降低，对应负责Worker的上文也随之简化。 降低上下文噪音 (Reduce Context Noise) 关注结果而非过程 (Focus on Results)： 关键策略！尤其适用于RePlan、Reflection等判断模块。无需传递冗长的执行过程消息，只需基于当前结果与目标状态即可进行后续规划或反思。直接传递原始Message往往是便捷但非最优解。 过滤/选择上文 (Filter/Select Context)： 类比RAG中的Re-ranking。例如Coding Agent中，子Agent仅回传关键stdout而非完整代码。 压缩上文 (Compress Context)： 如Deer-Flow中，Researcher对搜索步骤结果进行摘要；Reporter仅基于压缩后的摘要而非原始引用进行最终总结。在Coding Agent设计中也很常见。 框架1：Deer-Flow Deer Flow Deer Flow是字节跳动推出的多智能体框架，后面的很多agent框架里都能看到它的影子，Deer Flow同样使用Langgraph构建，包含以下几个核心节点 协调者节点 (coordinator): 负责与用户交互，判断是否需要转交给规划者 核心规划模块（Planner）：负责生成详细的任务执行计划 前置背景调查节点 (background_investigator): 执行初步网络搜索获取背景信息 后置人工反馈节点 (human_feedback): 允许用户审查和修改计划 研究团队节点 (research_team): 协调研究者和编码者 研究者节点 (researcher): 执行信息收集和研究任务 编码者节点 (coder): 执行数据处理和代码分析任务 报告者节点 (reporter): 生成最终研究报告 下面我们分别展开说下每个部分的亮点 前置分流（Coordinator）：智能体的“防火墙 作用： 拦截并直接处理无需启动复杂流程的请求（如问候"你好"、能力询问"你能干啥"、不当言论"你好讨厌"）。 价值： 避免无关上下文污染核心流程，提升效率与用户体验。响应后终止对话，清空历史消息（Discard Context策略）。 核心规划模块（Plan）:结构化推理与上下文处理 设计： 采用外层Plan + 内层Steps结构。