企业官网建设流程全解析

：Gliding Horse（流马）作为 AI Agent 操作系统，提出了一套以“IRI 指针 + 摘要”为核心的上下文优化体系。通过将大段工具结果和历史对话转化为可寻址的 IRI 指针，Token 消耗从随数据量线性增长变为近恒定，单次任务平均节省约 47% 的 Token，同时关键信息可 100% 追溯。本文深入解析其核心思想、架构设计、Token 优化工具箱及实测收益，为构建长周期、多步骤的自主 Agent 提供可落地的 Token 经济学方案。

关键词：Gliding Horse；流马；Token 经济学；上下文管理；IRI 指针；AI Agent；摘要链；JSON‑LD；Token 优化；大模型

对于 AI Agent 来说，上下文窗口就是金钱。每次调用大模型，Prompt 的 Token 消耗直接决定了成本和响应延迟。而多轮对话中，如果不加控制地把历史对话、工具返回的大段 JSON、文件内容全塞进去，Token 会以 O(n) 的速度爆炸，瞬间耗光珍贵的窗口，导致模型“失忆”或拒绝服务。

Gliding Horse（流马）作为 AI Agent 操作系统，把上下文管理和Token 经济学视为内核级能力。我们设计了一套以“IRI 指针 + 摘要”为核心的上下文优化体系，彻底摆脱了“保留原文 → 截断丢弃”的死循环。下面就把这套系统的设计思路、关键机制和落地效果完整展开。

一、核心思想：从“保留全部”到“按需引用”

传统 Agent 处理长上下文的套路很粗暴：尽量保留，超出窗口就截断或让 LLM 自己总结。这导致：

• 截断丢弃了可能关键的信息；
• LLM 总结可能遗漏细节甚至产生幻觉；
• 大工具结果（如grep返回几万字符）直接把上下文撑爆。

Gliding Horse 的做法截然不同：完整内容存入图数据库（L0/L2），上下文中只保留简短的摘要和一个全球唯一的 IRI（类似 URL）。当 LLM 真正需要细节时，可以像点击链接一样，通过内置工具沿着 IRI 精确查询。这套机制的基石就是全系统统一的JSON‑LD 语义总线，任何一个数据块都有@id，天然可寻址。

传统：上下文 = 全部历史 + 全部工具结果 → Token 爆炸 → 截断丢失 流马：上下文 = 摘要链 + IRI 指针 → Token 恒定 → 按需检索

二、上下文管理引擎架构

上下文引擎位于应用层，与记忆系统、工具系统、投影引擎深度集成。每次 LLM 调用前，它按以下流水线组装最终 Prompt：

用户输入 / 上一轮结果

SystemPromptBuilder

L3 投影引擎
按需从图库提取相关子图

模板引擎
注入角色专属提示词

组装上下文

结果路由器
工具结果→摘要+IRI

L1 会话摘要链
累积历史

最终 Prompt
Token 预算内

LLM 调用

• SystemPromptBuilder：构建结构化的系统消息，注入当前 Agent 角色（PA/DA/CA/AA）的宪法准则、激活的方法论以及可用工具清单。
• L3 投影引擎：利用 SPARQL 查询从 L0 持久化图中提取当前任务最相关的知识（例如相关技能、历史决策），以 JSON‑LD 子图形式注入，避免冗余。
• 结果路由器：工具返回的大结果被统一处理，生成摘要和 IRI，原始数据存档。
• L1 会话摘要链：每一轮对话的summary自动追加到 L1，形成高度压缩的“记忆流”；当超过 Token 预算时，较久远的摘要被淘汰到 L0，但保留 IRI 供回溯。

三、工具结果 IRI 化：把 15KB 变成 200 字节

Agent 执行工具调用时，返回的数据往往非常庞大——grep搜索结果可能有 15KB，curl的网页响应甚至上百 KB。如果直接注入上下文，几次调用就能耗光所有 Token。

流马的设计是：所有 ≥2KB 的工具结果，自动触发“IRI 化”处理，由ResultRouter统一完成：

1. 内容存储：原始结果写入 L0 持久化图，分配唯一 IRI（如iri://tool-result/call_abc）。
2. 生成微工具：同时注册一个专用的读取工具（如read_full_result_call_abc），供 Agent 后续按需调用。
3. 消息替换：将原本的大段结果替换为一条简洁的摘要消息，包含工具名、数据量级和 IRI。

优化前消息（grep 搜索结果，15KB）： [tool] content: "找到 47 处匹配，位于 12 个文件：\n src/auth.rs:42: let token = ... （后续数千行匹配详情）" 优化后消息（约 200 字节）： [grep_search] [已存档] 47 matches in 12 files | iri://tool-result/call_abc

如果 LLM 需要查看具体匹配内容，可以随时调用微工具read_full_result_call_abc，系统会从图库中取出完整数据返回。Token 消耗从随结果线性增长变成近恒定，关键信息还不会丢失。

四、跨轮摘要引用化：历史对话永不丢失

多轮对话是 Agent 工作的常态。流马采用分层摘要链管理对话历史：

• L1 工作记忆：每轮 LLM 回复中强制要求输出summary字段，由系统追加到 L1 的摘要缓冲区。这些摘要极短（几十字），累积起来也只占极少 Token。
• L0 归档：完整的thought推理过程和content回答内容被存档到 L0，并返回 IRI（如iri://archive/task/xxx/turn_5）。
• 淘汰保留 IRI：当 L1 摘要过多触发淘汰时，被淘汰的摘要不会消失，而是将其对应的 IRI 移入“弱引用”列表，仍然可以在需要时找回。

当发生消息截断（当前硬顶为 30 条消息）时，我们不再插入一句模糊的“之前已执行 5 轮操作”，而是生成结构化历史引用：

[历史摘要] [轮1/PA] 制定分析计划 → iri://archive/task/xxx/turn_1 [轮2/DA] 搜索认证接口 (grep×3) → iri://archive/task/xxx/turn_2 [轮3/DA] 分析JWT流程 → iri://archive/task/xxx/turn_3 如需详细信息，请使用 kg_search / knowledge_query 查询 IRI。

这样，LLM 即便在长对话中也能清晰知道之前做过什么，且可以主动检索任何一轮的完整细节。关键决策链得以完整保留，不再被截断抹除。

五、Token 优化工具箱

除了 IRI 化与摘要链，流马还配备了一套完整的 Token 优化组件，全部实装并集成到主循环中：

六、配置化与性能收益

整个上下文优化系统通过config.yaml集中控制，开发者可以根据自己的模型窗口和成本敏感度灵活调整：

context_optimization: enabled: true tool_result_iri: threshold: 2048 # ≥2KB 的结果自动 IRI 化 preview_size: 500 # 消息中保留的摘要长度 cross_turn_summary: max_summary_turns: 10 # 截断时保留的最近轮数 summary_length: 100 # 每轮摘要最大字符 tool_result_compressor: enabled: true max_full_results: 2 # 最多保留完整结果数 max_summary_length: 200 context_window: enabled: true max_messages: 30 max_tokens: 16000 compression_ratio: 0.3

经过完整实现后，我们实测获得了显著的 Token 节省效果：

总体来看，单次任务的平均上下文 Token 消耗降低了约 47%，同时关键信息的可追溯率达到 100%（只要 IRI 存在，数据就永不丢失）。

八、实战代码示例

下面通过一个完整的 Python 示例，展示如何在 Agent 工作流中调用 Gliding Horse 的上下文优化功能。该示例模拟了一个执行grep搜索的 Agent，演示 IRI 指针和微工具系统如何避免大结果撑爆上下文。

import json import hashlib from typing import Optional, Dict, Any from dataclasses import dataclass, field # ============================================================ # 模拟 Gliding Horse 上下文优化核心组件 # ============================================================ @dataclass class ToolResult: """工具执行结果""" tool_name: str raw_content: str content_size: int iri: Optional[str] = None summary: Optional[str] = None micro_tool_name: Optional[str] = None class L0GraphStore: """模拟 L0 持久化图存储（实际为图数据库）""" def __init__(self): self._store: Dict[str, str] = {} def store(self, iri: str, content: str) -> None: self._store[iri] = content def retrieve(self, iri: str) -> Optional[str]: return self._store.get(iri) class ResultRouter: """ 结果路由器：将大工具结果 IRI 化 - 内容 ≥2KB 自动触发 IRI 化 - 生成摘要 + 注册微工具 """ def __init__(self, graph_store: L0GraphStore, threshold: int = 2048): self.graph = graph_store self.threshold = threshold self._call_counter = 0 def process(self, tool_name: str, raw_content: str) -> ToolResult: result = ToolResult( tool_name=tool_name, raw_content=raw_content, content_size=len(raw_content.encode("utf-8")) ) if result.content_size >= self.threshold: # 1. 生成唯一 IRI self._call_counter += 1 content_hash = hashlib.sha256(raw_content.encode()).hexdigest()[:12] iri = f"iri://tool-result/{tool_name}_{self._call_counter}_{content_hash}" # 2. 存储完整内容到 L0 self.graph.store(iri, raw_content) # 3. 注册微工具名称 micro_tool = f"read_full_{tool_name}_{self._call_counter}" # 4. 生成摘要（取前 200 字符 + 统计信息） lines = raw_content.split("\n") match_count = len([l for l in lines if l.strip()]) summary = ( f"[{tool_name}] 共 {match_count} 行结果，" f"大小 {result.content_size} 字节 | {iri}" ) result.iri = iri result.summary = summary result.micro_tool_name = micro_tool else: # 小结果直接保留原文 result.summary = raw_content return result class ContextManager: """ 上下文管理器：组装最终 Prompt - 工具结果用摘要 + IRI 替代 - 历史对话用摘要链管理 """ def __init__(self, router: ResultRouter, max_messages: int = 30): self.router = router self.max_messages = max_messages self.history: list = [] def add_tool_call(self, tool_name: str, raw_content: str) -> ToolResult: """添加工具调用结果，自动 IRI 化""" result = self.router.process(tool_name, raw_content) self.history.append({ "type": "tool_result", "summary": result.summary, "iri": result.iri, "micro_tool": result.micro_tool_name }) return result def build_prompt(self, user_query: str) -> str: """组装最终 Prompt（仅含摘要 + IRI，不含原始大结果）""" # 截断历史到最大消息数 recent_history = self.history[-self.max_messages:] if len(self.history) > self.max_messages else self.history prompt_parts = [ "## 系统指令", "你是一个 AI Agent，可以使用工具执行任务。", "工具结果已优化：大结果以摘要+IRI形式呈现，", "如需查看完整内容，请调用对应的微工具。", "", "## 用户查询", user_query, "", "## 历史工具调用摘要" ] for i, entry in enumerate(recent_history, 1): if entry["type"] == "tool_result": line = f" [{i}] {entry['summary']}" if entry["micro_tool"]: line += f"\n → 微工具: {entry['micro_tool']}" prompt_parts.append(line) return "\n".join(prompt_parts) # ============================================================ # 模拟 Agent 工作流 # ============================================================ def simulate_grep_agent(): """ 模拟一个执行 grep 搜索的 Agent，演示 IRI 指针和微工具系统 """ print("=" * 60) print("Gliding Horse 上下文优化实战演示") print("=" * 60) # 初始化组件 graph = L0GraphStore() router = ResultRouter(graph, threshold=2048) context = ContextManager(router) # 模拟用户查询 user_query = "在项目中搜索所有包含 'token' 关键字的代码行" print(f"\n[用户查询] {user_query}\n") # 模拟 grep 工具返回的大结果（15KB+） grep_results = "" for i in range(1, 48): # 模拟 47 处匹配 grep_results += f"src/auth.rs:{i}: let token = extract_jwt_token(request);\n" grep_results += f"src/handler.rs:{i}: let decoded = decode_token(token);\n" grep_results += f"src/middleware.rs:{i}: if validate_token(token).is_ok() {{\n" print(f"[grep 工具] 原始结果大小: {len(grep_results.encode('utf-8'))} 字节") print(f"[grep 工具] 原始结果行数: {len(grep_results.split(chr(10)))} 行\n") # 通过 ResultRouter 处理（自动 IRI 化） result = context.add_tool_call("grep_search", grep_results) print(f"[IRI 化处理]") print(f" - IRI: {result.iri}") print(f" - 摘要: {result.summary}") print(f" - 微工具: {result.micro_tool_name}") print(f" - 上下文占用: {len(result.summary.encode('utf-8'))} 字节") print(f" - 缩减比例: {(1 - len(result.summary.encode('utf-8')) / result.content_size) * 100:.1f}%\n") # 构建最终 Prompt（不含原始大结果） final_prompt = context.build_prompt(user_query) print("[最终 Prompt（上下文窗口内）]") print("-" * 40) print(final_prompt) print("-" * 40) print(f"\nPrompt 总大小: {len(final_prompt.encode('utf-8'))} 字节") # 模拟 Agent 需要查看完整结果时调用微工具 print(f"\n[Agent 决策] 需要查看完整 grep 结果，调用微工具: {result.micro_tool_name}") full_content = graph.retrieve(result.iri) print(f"[微工具返回] 完整结果大小: {len(full_content.encode('utf-8'))} 字节") print(f"[微工具返回] 前 200 字符预览: {full_content[:200]}...\n") print("=" * 60) print("演示完成：大结果通过 IRI 指针引用，") print("上下文窗口仅保留 200 字节摘要，") print("关键信息通过微工具按需追溯，永不丢失。") print("=" * 60) if __name__ == "__main__": simulate_grep_agent()