Agent 的上下文继承：子 Agent 如何获取和传递父 Agent 的中间推理结果

Agent 的上下文继承子 Agent 如何获取和传递父 Agent 的中间推理结果一、深度引言与场景痛点多 Agent 协作的场景里最常见的浪费是父 Agent 辛辛苦苦分析了半天得出结论用户需要查三季度的销售数据然后把任务交给子 Agent 时只传了查销售数据五个字。子 Agent 又从头推理一遍才搞清楚原来是要查三季度的。这就是上下文断裂。多 Agent 架构里每个 Agent 的任务拆解、中间推理、工具调用结果都值得被下游复用。如果传递的只有最终结论下游就得重新推理。上下游重复推理不仅浪费 Token还可能因为推理路径不同导致结论不一致。上下文继承要解决的问题就是父 Agent 的推理不白做子 Agent 能直接站在父 Agent 的肩膀上干活。二、底层机制与原理深度剖析上下文继承不是把所有信息一股脑传给子 Agent。信息过多会让子 Agent 迷失Token 成本也扛不住。需要有一个上下文提取器和压缩器把父 Agent 的推理挑选出四类信息关键结论如用户要的是三季度的数据、已验证事实如数据库里 A 表有 230 万条记录、失败路径如尝试了用 B 字段查询但无结果、工具摘要如文件搜索返回了 15 篇文档其中 3 篇相关。子 Agent 接收到的上下文不是原始文本而是结构化的 JSON 对象包含以上四类信息。这样子 Agent 不用再提取一遍直接引用就行。三、生产级代码实现from __future__ import annotations from dataclasses import dataclass, field from typing import Any, Optional import json dataclass class ReasoningStep: step_id: str conclusion: str confidence: float # 0.0 - 1.0 evidence: list[str] field(default_factorylist) dataclass class AgentContext: 多 Agent 之间传递的上下文对象 task_id: str parent_goal: str key_conclusions: list[ReasoningStep] field(default_factorylist) verified_facts: list[str] field(default_factorylist) failed_attempts: list[str] field(default_factorylist) tool_results: dict[str, Any] field(default_factorydict) constraints: list[str] field(default_factorylist) child_results: dict[str, Any] field(default_factorydict) def to_prompt_context(self, max_tokens: int 2000) - str: 将上下文压缩为 prompt 可用格式 parts [f任务目标: {self.parent_goal}] if self.key_conclusions: high_conf [c for c in self.key_conclusions if c.confidence 0.7] if high_conf: parts.append(高置信度结论:) for c in high_conf: parts.append(f- {c.conclusion} (置信度: {c.confidence:.0%})) if self.verified_facts: facts \n.join(f- {f} for f in self.verified_facts[:5]) parts.append(f已验证事实:\n{facts}) if self.failed_attempts: fails \n.join(f- {f} for f in self.failed_attempts[:3]) parts.append(f已排除路径:\n{fails}) if self.constraints: cons \n.join(f- {c} for c in self.constraints) parts.append(f约束条件:\n{cons}) result \n\n.join(parts) if len(result) max_tokens * 4: # 粗略估算 result result[: max_tokens * 4] return result def merge_child_result(self, child_name: str, result: Any) - None: self.child_results[child_name] result def add_conclusion(self, step: ReasoningStep) - None: # 避免重复结论 existing [c for c in self.key_conclusions if c.step_id step.step_id] if not existing: self.key_conclusions.append(step) class ContextOrchestrator: 上下文编排器管理多 Agent 之间的上下文传递 def __init__(self, storeNone): self._contexts: dict[str, AgentContext] {} self._store store def create_context(self, task_id: str, goal: str) - AgentContext: ctx AgentContext(task_idtask_id, parent_goalgoal) self._contexts[task_id] ctx return ctx def get_context(self, task_id: str) - Optional[AgentContext]: return self._contexts.get(task_id) async def delegate_to_child( self, parent_task_id: str, child_name: str, child_task: str, child_agent_fn, ) - Any: 将任务委派给子 Agent同时传递过滤后的上下文 parent_ctx self._contexts.get(parent_task_id) if not parent_ctx: raise ValueError(f未找到父任务上下文: {parent_task_id}) # 为子 Agent 提取相关上下文 child_ctx await self._filter_context(parent_ctx, child_task) # 注入上下文到子 Agent 的 prompt context_prompt child_ctx.to_prompt_context() try: result await child_agent_fn(child_task, contextcontext_prompt) except Exception as e: parent_ctx.failed_attempts.append(f[{child_name}] {child_task} → {e}) raise parent_ctx.merge_child_result(child_name, result) return result async def _filter_context( self, ctx: AgentContext, sub_task: str ) - AgentContext: 根据子任务的关键词过滤上下文只传递相关信息 keywords set(sub_task.lower().split()) filtered AgentContext( task_idf{ctx.task_id}_sub, parent_goalsub_task, constraintslist(ctx.constraints), ) for fact in ctx.verified_facts: if any(kw in fact.lower() for kw in keywords): filtered.verified_facts.append(fact) for conclusion in ctx.key_conclusions: if any(kw in conclusion.conclusion.lower() for kw in keywords): filtered.key_conclusions.append(conclusion) for failure in ctx.failed_attempts: if any(kw in failure.lower() for kw in keywords): filtered.failed_attempts.append(failure) return filteredAgentContext.to_prompt_context把上下文压缩为 prompt 可用格式核心是按置信度分层。高于 70% 置信度的结论直接给子 Agent 当事实用低于 70% 的只作为参考。这样做的好处是子 Agent 可以跳过已验证的推理步骤只做增量推理。ContextOrchestrator.delegate_to_child是父 Agent 委派任务给子 Agent 的统一入口。它先根据子任务的关键词过滤上下文只把相关的结论、事实、失败路径传递给子 Agent。不相关的信息不传递减少干扰。_filter_context的过滤逻辑很简单关键词匹配。这篇文章不追求复杂的语义匹配因为在 Agent 场景里任务是明确的如查销售数据关键词匹配已经够用。如果任务语义更模糊可以换成 embedding 相似度过滤。四、边界分析与架构权衡上下文会随着子 Agent 数量增加而膨胀。5 个子 Agent 的结论拼在一起可能超过 LLM 的 context window。解决方案是设置上下文的大小上限超过限制时触发压缩——用 LLM 对之前的结论做摘要减少 Token 数量。但这带来了新问题压缩可能丢失关键信息。所以摘要压缩器和结论检查应该配对使用。摘要压缩后检查被丢弃的结论里有没有包含数值或实体名。如果包含这些信息应作为关键事实单独保留不能被摘要吞掉。另一个隐藏成本是上下文的一致性。多个子 Agent 并行执行时如果都往同一个上下文里写结果可能出现写冲突。解决方式是用不可变结构或 Copy-on-Write每个子 Agent 拿到的是父上下文的只读快照结果通过merge_child_result统一合并。五、总结Agent 上下文继承避免了多 Agent 协作中的重复推理。核心机制是提取父 Agent 的四类信息结论、事实、失败、工具结果按关键词过滤后传给子 Agent子 Agent 基于这些上下文做增量推理而非从零开始。落地重点上下文结构化为 JSON 而非自由文本传递前按子任务关键词过滤设置大小上限并在超限时触发摘要压缩并行子 Agent 用快照 合并模式避免写冲突。