在昨天的文章中，我們拆解了 Context Engineering 的核心
我們知道Agent的上下文不該被動堆疊，而需要透過一套動態機制進行調度

今天我們進入實戰篇：如何將 Write（寫入）、Select（篩選）、Compress（壓縮）、Isolate（隔離）這四大支柱，落實到具體的 Python 程式碼中？

一、四大支柱在Agent生命週期中的分工

以一個Agent工作流迴圈為例，資料的流轉與處理節點如下：

[環境/用戶輸入] 
       │
       ▼
 1. Write (寫入)   ──> 結構化記錄至狀態儲存庫 (State/Checkpoints)
       │
       ▼
 2. Select (篩選)  ──> 根據當前任務動態檢索相關記憶與工具 Schema
       │
       ▼
 3. Compress (壓縮) ──> 剪裁工具 Raw Output 與摘要過長歷史
       │
       ▼
 4. Isolate (隔離)  ──> 建立子任務獨立視窗，防止跨節點噪音污染
       │
       ▼
 [LLM 決策與執行]

ps 這些節點你可以依照自己任務來對調、使用

二、實戰 1：Write（寫入）——結構化狀態與記憶沉澱

不要將對話單純當作字串拼接，必須使用具備語意結構的狀態物件（State）進行寫入與持久化，明確分離「系統指令」、「使用者意圖」與「工具執行軌跡」

from typing import List, Dict, Any
from dataclasses import dataclass, field

@dataclass
class AgentState:
    session_id: str
    system_rules: str
    user_facts: Dict[str, Any] = field(default_factory=dict)  # 長期使用者畫像
    messages: List[Dict[str, Any]] = field(default_factory=list)  # 對話軌跡
    scratchpad: List[Dict[str, Any]] = field(default_factory=list)  # 當前任務暫存

# 實作 Write：明確分類寫入，而非混雜堆疊
def write_user_fact(state: AgentState, key: str, value: Any) -> None:
    state.user_facts[key] = value

def write_interaction(state: AgentState, role: str, content: str) -> None:
    state.messages.append({"role": role, "content": content})

# 範例調用
state = AgentState(session_id="sess_001", system_rules="你是電商客服助理。")
write_user_fact(state, "membership_tier", "VIP")
write_interaction(state, "user", "我想查詢耳機訂單，並辦理換貨。")

三、實戰 2：Select（篩選）——動態工具剪枝與按需檢索

當系統掛載了數十個工具時，每一輪把所有工具Schema通通塞進Context會大幅消耗Token並增加模型幻覺

我們應該在執行前依據使用者最新意圖進行 動態工具挑選（Tool Pruning）：

# 系統所有的工具池
AVAILABLE_TOOLS = {
    "track_order": {"name": "track_order", "desc": "查詢物流與訂單狀態"},
    "apply_refund": {"name": "apply_refund", "desc": "辦理訂單退貨退款"},
    "apply_exchange": {"name": "apply_exchange", "desc": "辦理商品換貨"},
    "reset_password": {"name": "reset_password", "desc": "發送密碼重設信件"},
    "query_faq": {"name": "query_faq", "desc": "查詢常見問題知識庫"}
}

def select_relevant_tools(user_query: str) -> List[Dict[str, Any]]:
    """
    根據意圖關鍵字或向量檢索，僅挑選與當下任務相關的工具
    """
    selected = []
    if "訂單" in user_query or "物流" in user_query:
        selected.append(AVAILABLE_TOOLS["track_order"])
    if "退" in user_query:
        selected.append(AVAILABLE_TOOLS["apply_refund"])
    if "換" in user_query:
        selected.append(AVAILABLE_TOOLS["apply_exchange"])
    
    # 若無特定匹配，默認注入 FAQ 工具
    return selected if selected else [AVAILABLE_TOOLS["query_faq"]]

# 根據 "我想查詢耳機訂單，並辦理換貨"，僅挑選 track_order 與 apply_exchange
active_tools = select_relevant_tools("我想查詢耳機訂單，並辦理換貨。")

四、實戰 3：Compress（壓縮）——工具輸出過濾與歷史濃縮

外部API或資料庫回傳的Raw Data動輒數千Token，直接注入會污染Context。我們必須在進入LLM前進行瘦身與提煉

import json

# 模擬外部 API 回傳的肥大資料
raw_tool_payload = {
    "status": "success",
    "timestamp": 1755678900,
    "debug_id": "trace-8899-xyz",
    "server_node": "tw-node-03",
    "order_data": {
        "order_id": "ORD-1001",
        "item": "降噪藍牙耳機",
        "amount": 3200,
        "delivery_status": "DELIVERED",
        "warehouse_logs": ["scan_in", "pack_done", "out_for_delivery"]
    }
}

def compress_tool_output(payload: Dict[str, Any]) -> str:
    """
    僅保留決策必備欄位，移除 trace、log 等系統雜訊
    """
    data = payload.get("order_data", {})
    compressed = {
        "order_id": data.get("order_id"),
        "item": data.get("item"),
        "status": data.get("delivery_status")
    }
    return json.dumps(compressed, ensure_ascii=False)

# 壓縮後僅剩 45 字元：{"order_id": "ORD-1001", "item": "降噪藍牙耳機", "status": "DELIVERED"}
cleaned_context = compress_tool_output(raw_tool_payload)

五、實戰 4：Isolate（隔離）——多節點工作流的上下文沙盒

在複雜的多步驟工作流（如「驗證身份 ➔ 查詢訂單 ➔ 產生退換貨單」）中，每個子Agent節點應該擁有獨立純淨的上下文，避免將 A 節點冗長的中間推論過程帶入 B 節點

def run_isolated_subtask(global_state: AgentState, task_name: str, task_input: str) -> str:
    """
    建立隔離的 Context 沙盒，執行完畢後只回傳結構化結論給主工作流
    """
    # 建立沙盒上下文，不繼承全量歷史對話
    sandboxed_context = {
        "role": f"你是專門處理【{task_name}】的子節點",
        "user_tier": global_state.user_facts.get("membership_tier"),
        "task_input": task_input
    }
    
    # 模擬子節點執行完畢後的精簡輸出
    subtask_result = f"審核通過：{global_state.user_facts.get('membership_tier')} 用戶享有免運換貨權限。"
    
    # 僅將最終結果寫回全域狀態，中間運算過程不污染主對話
    global_state.messages.append({"role": "assistant", "content": subtask_result})
    return subtask_result

六、實戰總結：Context 四大機制的工程矩陣

小結與下集預告

透過 Write ➔ Select ➔ Compress ➔ Isolate 四大工程手段，我們能有效駕馭龐大資料流，確保 Agent 在每一輪決策時都能看見「最純淨、最關鍵」的上下文

然而，即使Context管理得再好，如果LLM輸出的文字依然隨意、無法保證欄位完整性，下游程式碼在解析時就會頻繁遭遇報錯（如 JSON 格式損壞）

明天 【Day 6】甚麼是 Structured Output Engineering，我們將探討如何利用JSON Schema、Pydantic 與Type-safe機制，從根本上強制約束LLM的輸出格式！