上下文管理

长任务的上下文是稀缺资源。DeepAgents 的三板斧：文件系统把信息外置、子代理隔离上下文、skills 按需加载。面试主线：每板斧解决什么、怎么配合。

filesystem：信息外置

• 内置工具：读、写、编辑、搜索文件（pluggable 后端：本地、沙箱、远程）
• 上下文工程的关键动作：长任务把中间结果写盘，不留在对话里；需要时再读回来
• 搜索能力（grep 式）让 agent 只读需要的片段，而不是整个文件
• 对应 agent-engineering/context-engineering 的原则：上下文只放当前决策需要的，其余外置

subagents：隔离上下文

from deepagents import create_deep_agent, SubAgent

sub_agents = [
    SubAgent(
        name="web_researcher",
        system_prompt="负责网络调研, 返回结构化结论。",
        tools=[search_tool],
    ),
]

agent = create_deep_agent(
    model="openai:gpt-5.5",
    tools=[main_tools],
    sub_agents=sub_agents,
)

• 主 agent 把子任务委派给子代理，子代理有独立上下文窗口
• 收益：主上下文不被子任务细节污染（研究过程 vs 最终结论）；多个子代理可并行
• 交互模式：主 agent 通过工具调用委派，拿回结构化结果
• 与 LangGraph supervisor/handoff 的关系：DeepAgents 内置了这套编排（见多 Agent 编排篇）

skills：按需加载

• Skills 是可复用的行为单元：提示词 + 工具 + 使用说明打包
• 按需加载：agent 遇到对应任务时才加载 skill，不常驻上下文
• 与 agentskills 规范的关系：和 Agent 分类 skills 篇讲的能力同源（可移植的行为包）
• 收益：一个 agent 可以拥有大量能力（几十个 skill），但每次只在上下文里放当前需要的

三者的配合

配合逻辑：主 agent 持最小上下文（指令 + 当前任务），具体知识读文件、具体活派子代理、具体技能按需加载。这就是“上下文工程最佳实践”在 harness 层的落地。

面试追问

1. 文件系统对 agent 的价值？ 上下文外置：中间结果写盘不占对话，需要时搜索读回。长任务不膨胀的关键
2. subagents 解决什么？ 隔离上下文：子任务细节不进主上下文，主 agent 只拿结构化结论
3. skills 怎么工作？ 行为包按需加载，不常驻。几十个能力也不撑爆上下文
4. 三者怎么配合？ 读文件取信息、派子代理干活、按需加载技能。主 agent 上下文保持最小
5. 和 context engineering 什么关系？ 是它的 harness 层落地：上下文只放决策所需，其余外置（文件/子代理/按需加载）