上一篇我们把可观测性立起来了：streamEvents、LangSmith、结构化日志。出了错，你至少能看见「卡在哪一步」。

但说句扎心的：trace 再漂亮，也救不了窗口里塞的是垃圾。历史消息、RAG 片段、ToolMessage 一股脑堆进去——要么超限直接报错，要么噪声淹没关键句，模型一本正经地胡话。可观测性回答「发生了什么」；上下文工程（Context Engineering）回答「模型看到了什么」——这才直接决定它能不能推对。

这一篇把 Context Engineering 和 Prompt Engineering 掰开，讲清一次调用里上下文怎么组成、Token 怎么预算，以及 RAG 注入时怎么少塞垃圾。

老规矩，本文以官网最新文档核对过（Context engineering in agents、Short-term memory、Prebuilt middleware）。Agent 入口继续用createAgent——别再抄createReactAgent。网上不少教程手写一个同名trimMessages——别这么干，官方就有trimMessages；摘要优先走summarizationMiddleware。

一、Prompt Engineering ≠ Context Engineering

PromptTemplate/ChatPromptTemplate——那是Prompt Engineering：把单条指令写清楚、格式对、few-shot 到位。

对话一变长、接上 RAG、再套多轮 tool 调用，上下文窗口就成了稀缺资源。这时你优化的不再是「这句话怎么措辞」，而是「这一整窗里放什么、什么顺序、超了怎么砍」——这就是 Context Engineering。

官网说得更狠一点：Agent 不可靠，往往不是模型不够聪明，而是没把「对的」上下文喂进去。AI Engineer 的头号工作，就是这件事。

二、一次调用里模型到底看到什么

先用落地直觉拆开——一次 Agent 调用的 context，通常长这样：

官网再给你一层更完整的坐标系——你能控的不只是「消息列表」，而是三类上下文：

数据从哪来，也要分清：

落地机制是 Middleware。createAgent的middleware让你在 agent loop 的钩子上改上下文——不必把裁剪逻辑糊进业务节点。

• wrapModelCall：改本轮送给模型的 messages / tools / prompt——瞬时，默认不改 State。
• beforeModel/afterModel：可以返回 State 更新（例如删消息、换摘要）——持久，Checkpointer 下次还能看见。

搞不清 Transient vs Persistent，你就会踩这个坑：以为「裁过了」，结果 Checkpointer 里旧历史还在，下一轮又全塞回来。

三、Token 预算：三种控窗策略

模型窗口有限（本地小模型尤其狠）。管理原则很简单：给每块预算，超限有明确裁剪 / 压缩规则。

1. 保留最近 N 轮

只留最近几轮 user-assistant，更早的直接丢掉。实现最简单，适合短会话、demo。

别手写一个叫trimMessages的函数去抢官方名字——下面用官网 API。

2. 官方trimMessages：按 token / 边界裁剪

LangChain 提供trimMessages：按maxTokens、strategy: "last"、startOn/endOn裁消息列表，尽量保住对话结构（例如从 human 起、在 human/tool 结束，避免 AI↔Tool 成对被拦腰砍断）。

瞬时裁剪（只改本轮喂给模型的内容，State 原样保留）——用wrapModelCall：

import{createAgent,createMiddleware,trimMessages}from"langchain";import{ChatOllama}from"@langchain/ollama";import{tool}from"@langchain/core/tools";import*aszfrom"zod";constgetWeather=tool(async({city}:{city:string})=>`${city}：晴，25°C`,{name:"get_weather",description:"查询城市天气",schema:z.object({city:z.string()}),});/** 教学用：按「条数」近似计数；生产请换成真实 tokenCounter（或模型自带计数） */constroughCounter=(msgs:{length:number}|unknown[])=>Array.isArray(msgs)?msgs.length:0;consttransientTrim=createMiddleware({name:"TransientTrim",wrapModelCall:async(request,handler)=>{consttrimmed=awaittrimMessages(request.messages,{maxTokens:12,// 演示阈值；生产按模型窗口设strategy:"last",startOn:"human",endOn:["human","tool"],includeSystem:true,// 保住开头的 systemtokenCounter:roughCounter,});// override：只改本轮请求，不写回 Statereturnhandler(request.override({messages:trimmed}));},});constllm=newChatOllama({model:"qwen2.5:7b",temperature:0});constagent=createAgent({model:llm,tools:[getWeather],systemPrompt:"需要天气时调用 get_weather。回答简洁。",middleware:[transientTrim],});

持久裁剪（真把 State 里的旧消息清掉，配合 Checkpointer 才有意义）——beforeModel+RemoveMessage：

import{RemoveMessage}from"@langchain/core/messages";import{createAgent,createMiddleware,trimMessages}from"langchain";import{MemorySaver,REMOVE_ALL_MESSAGES}from"@langchain/langgraph";import{ChatOllama}from"@langchain/ollama";constpersistTrim=createMiddleware({name:"PersistTrim",beforeModel:async(state)=>{consttrimmed=awaittrimMessages(state.messages,{maxTokens:20,strategy:"last",startOn:"human",endOn:["human","tool"],includeSystem:true,tokenCounter:(msgs)=>msgs.length,// 演示用；生产换真实计数});// 先清空再写入裁剪结果 → State 永久变短return{messages:[newRemoveMessage({id:REMOVE_ALL_MESSAGES}),...trimmed],};},});constagent=createAgent({model:newChatOllama({model:"qwen2.5:7b",temperature:0}),tools:[],middleware:[persistTrim],checkpointer:newMemorySaver(),});// 同一 thread_id 多轮 invoke：裁剪结果会跟着存档走awaitagent.invoke({messages:[{role:"user",content:"我叫小明"}]},{configurable:{thread_id:"u-1"}});

3. 摘要压缩：summarizationMiddleware

硬 trim 会丢信息。长会话更常见的做法：旧消息用另一颗（可更小更便宜的）模型压成摘要，永久写回 State，只保留最近若干条原文。

import{createAgent,summarizationMiddleware}from"langchain";import{ChatOllama}from"@langchain/ollama";import{MemorySaver}from"@langchain/langgraph";constchatModel=newChatOllama({model:"qwen2.5:7b",temperature:0});// 摘要可以用同一模型，生产常换成更小/更便宜的constsummaryModel=newChatOllama({model:"qwen2.5:7b",temperature:0});constagent=createAgent({model:chatModel,tools:[],checkpointer:newMemorySaver(),middleware:[summarizationMiddleware({model:summaryModel,trigger:{tokens:4000},// 越过阈值才摘要keep:{messages:20},// 保留最近 20 条原文}),],});

触发条件还可写成「多条件 AND」或「数组 OR」（见官网 Prebuilt middleware）。注意：摘要是文本向压缩——多模态大图不会被「压小」，只会被摘要文字替代；图多的场景要把媒体放对象存储，消息里只留 URL。

四、RAG 怎么注入才不搅浑

这里只盯一件事：检索到的文档怎么塞进 prompt——格式不对，模型分不清「资料」和「问题」，引用也乱。

分隔符 + 引用格式

--- 检索到的参考文档 --- [来源: doc-a.md] …… --- 参考文档结束 --- 用户问题：……

并明确要求：答不出就说不知道；引用时标[来源: xxx]。

import{Document}from"@langchain/core/documents";import{ChatPromptTemplate}from"@langchain/core/prompts";import{ChatOllama}from"@langchain/ollama";import{StringOutputParser}from"@langchain/core/output_parsers";import{RunnableSequence}from"@langchain/core/runnables";/** 把检索文档格式化成带来源的 context */functionformatRagContext(docs:Document[]):string{returndocs.map((d,i)=>`[来源:${d.metadata.source??`doc-${i}`}]\n${d.pageContent}`).join("\n\n---\n\n");}constprompt=ChatPromptTemplate.fromTemplate(`根据以下参考文档回答问题。若无法从文档得出答案，请说「我不知道」。 回答时请用 [来源: xxx] 标注引用。 --- 检索到的参考文档 --- {context} --- 参考文档结束 --- 用户问题：{question}`);constllm=newChatOllama({model:"qwen2.5:7b",temperature:0});constragChain=RunnableSequence.from([async(input:{question:string;docs:Document[]})=>({context:formatRagContext(input.docs),question:input.question,}),prompt,llm,newStringOutputParser(),]);// ragChain.invoke({ question: "...", docs: retrievedDocs })

Top-K 与 chunk 也是预算

多轮 + RAG + tool 结果三者叠加时，先给历史 / RAG / tools 各自定预算，再决定 trim 还是摘要——别等 API 报context length exceeded再救火。

工具结果特别脏、特别长时，还可以看官网的contextEditingMiddleware（如ClearToolUsesEdit）：专门清旧 tool 调用块，避免 ToolMessage 永久占地。本篇不展开，知道有这号预置中间件即可。

五、反模式速查表

常见坑

1. 只改 Prompt 不管理 context：长对话 + RAG 后必然爆窗。
2. RAG 无分隔直接拼接：模型分不清文档与问题。
3. trim 丢掉 system：角色与规则蒸发——设includeSystem: true，或保证 system 始终在保留集里。
4. 裁断 AI↔Tool 成对消息：部分供应商会直接拒收非法历史——用startOn/endOn保结构。
5. k过大：10+ chunk 塞满窗口，噪声赢相关。
6. 摘要当真理：细节会丢；关键事实该进 Store / 结构化记忆，别全靠一段 summary。
7. 自写同名trimMessages：和官方 API 撞车，后人难维护——用官网的。