AI Agent上下文管理：ContextBuilder的核心机制与实践

1. ContextBuilder：AI Agent 的上下文大脑

在构建一个实用的 AI 助手时，上下文管理是最关键也最容易被忽视的部分。想象一下，如果你每次和人对话时，对方都会忘记之前的交流内容、你的个人偏好以及他自身的能力范围，这样的对话会有多令人抓狂。ContextBuilder 就是为解决这个问题而生的核心组件。

Nanobot 框架中的 ContextBuilder 类扮演着 AI Agent 的"上下文大脑"角色。它不像传统聊天机器人那样简单地拼接对话历史，而是实现了多维度信息的智能融合：

• 身份认知：我是谁？我的核心能力是什么？（来自 IDENTITY.md 和 SOUL.md）
• 行为准则：我该如何思考和行动？（来自 AGENTS.md）
• 用户画像：我在和谁对话？（来自 USER.md）
• 长期记忆：我们之前讨论过什么重要信息？（来自 MEMORY.md）
• 技能库：我能做什么？（来自 TOOLS.md 和 skills 目录）
• 运行时环境：现在是什么时间？通过什么渠道交流？（实时生成）

这种结构化上下文管理使得 AI 助手能够保持连贯的人格特征和行为模式，而不是像早期聊天机器人那样容易"精神分裂"。

2. 上下文构建的核心机制

2.1 分层提示词系统

Nanobot 的系统提示词采用分层设计，不同层次的信息对 AI 行为的影响权重不同：

python复制def build_system_prompt(self) -> str:
    parts = [
        self._get_identity(),          # 核心身份（最高权重）
        self._load_bootstrap_files(),  # 引导文件
        self.memory.get_memory_context(), # 长期记忆
        self._load_skills()            # 技能定义
    ]
    return "\n\n---\n\n".join(parts)  # 用分隔线明确区分层次

这种分层设计带来几个关键优势：

1. 优先级控制：身份定义（如 SOUL.md）始终处于最高层级，确保 AI 的核心人格不被后续信息覆盖
2. 模块化管理：各功能模块可以独立更新而不互相干扰
3. 动态调整：可以根据对话场景选择性加载某些层次（比如在简单问答场景可以跳过技能加载）

2.2 多源信息融合

ContextBuilder 需要处理来自多个源头的信息：