概述
“Context”（上下文）是 Zeus 在每次 Agent 调用时发送给模型的全部信息。它受限于模型的上下文窗口（token 上限）。 简单理解，Context 由以下部分组成：- System Prompt（Zeus 构建）：分层提示词、工具描述、技能列表、时间/运行时信息、用户画像与记忆
- Conversation History：当前会话的用户消息 + 助手消息
- Tool Calls / Results：工具调用参数与返回结果
- Attachments：用户上传的文件内容、沙盒数据文件
Context 不等同于 Memory。Memory 可以持久化到磁盘并在之后加载，而 Context 是当前模型窗口内的实时内容。参见 Memory 了解完整的记忆系统架构。
架构
Zeus 通过BaseService._build_system_prompt() 方法组装上下文，每个组件独立维护，最终按固定顺序组装成完整的上下文。
上下文窗口占用
所有发送给模型的内容都计入上下文窗口：| 组件 | 说明 | 估算 |
|---|---|---|
| System Prompt | 分层提示词全文（CORE + SOUL + TOOLS + WORKFLOW + MEMORY + MODE） | 变化较大，取决于启用的工具和模式 |
| Tool Descriptions | 动态生成的工具名称、描述、参数 Schema（JSON） | 与启用的工具数量成正比 |
| Connector Skills Prompts | Browser Operator / Desktop 操作指令 | 仅在启用时注入 |
| MCP Prompts | 业务规则/模板（来自 MCP 服务器） | 取决于配置 |
| Resource Files | 用户上传的资源文件内容 | 取决于文件大小 |
| Profile Data | 用户画像 + 项目上下文 | 通常较小（< 500 tokens） |
| Retrieved Memories | 语义检索的 Top K 记忆条目 | 最多 ~500 tokens（max 2000 chars） |
| Conversation History | 最近 30 条消息 | 随对话增长 |
| Tool Calls + Results | 工具调用参数和返回结果 | 取决于工具使用频率和结果大小 |
| Attachments | 文件附件信息 | 取决于附件内容 |
System Prompt 组装
System Prompt 是 Context 中最大、最复杂的组件。由BaseService._build_system_prompt() 在每次 Agent 调用时重新构建。
组装遵循固定的 15 步流水线 — 加载分层提示词模块、注入动态内容（时间、技能、连接器、MCP 提示词、资源），并追加个性化数据（画像和记忆）。
系统提示词 — 完整模块拆解
各模块（CORE、SOUL、TOOLS、WORKFLOW、MEMORY、MODE）的结构详解，工具描述注入机制，模式提示词如何控制 Agent 行为
工具描述注入
TOOLS.md 中包含 {tools_description} 占位符，在构建时动态填充。系统遍历所有启用的工具，提取名称、描述和参数 Schema，生成格式化的工具描述列表。
工具按类别加载，每种类别有不同的启用条件：
| 工具类别 | 启用条件 | 示例 |
|---|---|---|
| Built-in Middleware | 始终启用 | TodoList, SubAgent, Filesystem |
| MCP Tools | 用户配置启用 | 第三方 MCP 服务器工具 |
| OAuth Tools | 用户授权启用 | GitHub, Gmail |
| Browser/Desktop | Connector 配置启用 | Browser Operator, Desktop Operator |
| Sandbox Tools | 沙盒启用时 | execute_code, create_sandbox |
| RAG Tools | 知识库关联时 | search_knowledge_base |
| Memory Tools | Agent 模式默认启用 | memory_save, memory_search |
| Web Search Tools | 配置启用 | web_search |
| Skill Tools | 始终启用 | load_skill |
Profile 与记忆注入
在 System Prompt 组装的末尾，Zeus 从记忆系统获取用户画像和语义相关的记忆条目，以结构化文本的形式追加。这使 Agent 无需主动检索即可感知用户偏好、项目上下文和历史信息。| 参数 | 默认值 | 说明 |
|---|---|---|
| Top K | 5 | 返回最相关的 5 条记忆 |
| Max Length | 2000 chars | 格式化后的最大长度 |
| Scopes | user + project + session | 多 scope 合并检索 |
| Ranking | similarity×0.5 + confidence×0.3 + scope_priority×0.2 | 加权评分排序 |
记忆系统 — 检索与排序详解
记忆的存储、检索、排序机制，以及完整的 Memory Gate 流水线
对话历史
构建方式
对话历史通过_build_chat_history() 方法构建，将原始消息转换为 LangChain 格式：
| 消息类型 | LangChain 类型 | 说明 |
|---|---|---|
| 用户消息 | HumanMessage | 用户发送的文本 |
| 助手消息 | AIMessage | Agent 的回复 |
| 系统消息 | SystemMessage | 系统级指令 |
截断策略
| 参数 | 默认值 | 说明 |
|---|---|---|
max_messages | 30 | 保留最近 30 条消息 |
| 存储位置 | LangGraph Checkpointer | 通过 thread_id 关联会话 |
Token 管理
模型 Profile
Zeus 内置 200+ 模型的 token 限制配置。常见模型配置如下：| 模型 | max_input_tokens | max_output_tokens |
|---|---|---|
| gpt-4-turbo | 128,000 | 4,096 |
| gpt-4o | 128,000 | 16,384 |
| claude-3-5-sonnet | 200,000 | 8,192 |
64,000 tokens。
SummarizationMiddleware
当上下文接近模型的 token 上限时，SummarizationMiddleware（由 DeepAgents 框架提供）自动触发对话历史摘要：
| 参数 | 值 | 说明 |
|---|---|---|
| 触发阈值 | max_input_tokens × 0.85 | 达到 85% 时触发 |
| 保留策略 | keep_recent | 保留最近消息 |
| 保留数量 | 5 条 | 最近 5 条消息不被摘要 |
| 摘要模型 | 与主模型相同 | 使用同一 LLM 生成摘要 |
Prompt Caching
对于 Anthropic 模型，AnthropicPromptCachingMiddleware 启用提示词缓存，减少重复 System Prompt 的 token 计费。缓存机制由 Anthropic API 原生支持，对 System Prompt 中不变的部分（CORE、SOUL 等）进行缓存，显著降低多轮对话的 token 消耗。
完整数据流
下图展示了一次完整的 Agent 调用中，Context 从组装到消费的全过程：各阶段的上下文变化
| 阶段 | 上下文内容 | Token 增长 |
|---|---|---|
| Phase 1 | System Prompt + History | 基础消耗（固定 + 历史） |
| Phase 2 | + Tool Schemas (JSON) | 工具数量 × schema 大小 |
| Phase 3 | + Tool Calls + Results | 取决于工具使用频率和结果大小 |
模式上下文差异
不同模式下，Context 的组成有所不同：| 组件 | Agent 模式 | Ask 模式 | Plan 模式 |
|---|---|---|---|
| 核心提示词 (CORE/SOUL) | 全部 | 全部 | 全部 |
| TOOLS.md | 全部工具 | 只读工具 | 只读工具 |
| WORKFLOW.md | 完整 | 精简 | 规划专用 |
| MEMORY.md | 完整 | 精简 | 精简 |
| 模式提示词 | agent_mode.md | ask_mode.md | plan_mode.md |
| Memory Tools | 启用 | 受限 | 受限 |
| 写操作工具 | 启用 | 禁用 | 禁用 |
| RAG Tools | 启用 | 启用 | 启用 |
| Profile 注入 | 注入 | 注入 | 注入 |
| Memory 注入 | 注入 | 注入 | 注入 |
优化策略
1. 渐进式披露 (Progressive Disclosure)
问题：Skills 和 Connector 提示词可能非常长，全部注入会浪费上下文空间。 方案：仅注入元数据摘要，Agent 按需通过工具加载完整内容。2. Agentic RAG（按需检索）
问题：知识库内容可能非常庞大，预注入不现实。 方案：知识库作为工具暴露，Agent 自主决定何时检索、检索什么。3. 自动摘要 (SummarizationMiddleware)
问题：长对话会导致历史消息占据大量上下文空间。 方案：当 token 使用量达到阈值时，自动将旧消息压缩为摘要。4. 历史截断 (History Truncation)
问题：会话消息无限增长。 方案：仅保留最近 30 条消息，结合 LangGraph Checkpoint 持久化完整历史。5. Prompt Caching
问题：System Prompt 在多轮对话中大部分内容不变，但每次都计费。 方案：Anthropic 模型使用AnthropicPromptCachingMiddleware 缓存不变部分。