智能体聊着聊着就“失忆”？问题出在上下文窗口长度的限制。本文借MemGPT的核心思想，将LLM比作操作系统，把上下文划分为“内存”和“磁盘”，通过数据移动实现无限记忆，并落地到天气助手验证可行性。理解记忆的分级管理，是构建长时智能体的关键一步。

本文解析智能体上下文管理：从五大组成部分（系统提示词、工具定义、对话历史、当前轨迹的工具执行结果、检索到的文档）入手，剖析Claude Code五级分级压缩机制（工具执行结果预算控制、历史裁剪、微压缩、上下文折叠、自动压缩）。

本文详解了LLM如何获知工具信息，如何输出结构化的工具调用指令、并对比了自定义工具、内置工具及MCP服务三种工具形态。从代码到原理，一文看懂智能体如何通过工具连接外部世界。

用工作流设计天气助手，能查“杭州和北京”，却在“北京下雨再查天津”上翻了车。本文用一个真实案例，拆解工作流“固定路径”的结构性局限，以及智能体如何通过“推理-行动循环”动态决策、灵活应对。看完你就明白：什么时候用工作流，什么时候上智能体。

用工作流设计天气助手，能查“杭州和北京”，却在“北京下雨再查天津”上翻了车。本文用一个真实案例，拆解工作流“固定路径”的结构性局限，以及智能体如何通过“推理-行动循环”动态决策、灵活应对。看完你就明白：什么时候用工作流，什么时候上智能体。

当大语言模型被集成到业务系统中时，工作流是一种可选的架构模式。工作流用预定义的方式编排大语言模型与工具的协作关系，执行路径固定、步骤可控，适合确定性高、步骤明确的任务。