tokens 与上下文

学习 Agent 时，tokens 和 context 是绕不开的两个词。很多 Agent 跑偏，不是因为模型完全不会，而是因为上下文太乱、太长，或者关键信息没有被放进模型能看到的位置。

Token 是什么

Token 是模型处理文本的基本单位。它不等于“一个汉字”，也不等于“一个英文单词”。

例如英文单词可能被拆成多个 token，中文句子也会按模型的分词规则切开。你不需要手算每个 token，但要知道：模型处理文本是有容量成本的。

通俗理解

Token 可以先粗略理解为“模型阅读和生成文本时消耗的单位”。文本越长，token 越多，占用的上下文越多。

上下文是什么

上下文是模型本轮能看到的全部信息。

它可能包括：

• 系统提示词
• 用户输入
• 当前加载的 Skill
• 工具说明
• 工具返回结果
• 读到的文件片段
• 对话历史
• 压缩后的历史摘要

Agent 不会天然记得所有事情。它只能使用当前上下文里可见的信息，或者通过工具重新读取。

上下文窗口

上下文窗口是模型一次能处理的信息上限。

如果题目文件很大、日志很多、工具输出很长，上下文可能被迅速塞满。超过限制后，系统可能会截断、压缩或丢弃部分内容。

这对 CTF Agent 影响很大：

• 大量 strings 输出可能淹没真正关键字符串
• 长 pcap 摘要可能让题目描述被挤掉
• 反复失败的命令会污染后续判断
• 旧结论如果没被更新，Agent 可能继续沿错误方向走

上下文污染

上下文污染指的是无关、错误、过时的信息影响模型判断。

CTF 中常见污染包括：

污染来源	影响
无关工具输出	模型抓错重点
早期错误猜测	后续步骤围绕错误方向展开
过长日志	关键题目信息被稀释
未验证结论	模型把猜测当事实

注意

“让 Agent 看更多”不一定更好。更好的做法是让它看相关、干净、可定位的信息。

Skill 与上下文

Skill 会进入 Agent 的上下文。Skill 写得太长、太像百科，会占用大量空间；写得太短，又不能指导行动。

好的 Skill 应该做到：

• 给出判断信号
• 给出第一步动作
• 给出工具选择
• 给出切换方向条件
• 给出停止条件

这也是 ctf-skills 的写作风格：它不是完整教材，而是让 Agent 能快速进入正确路线。

在 CTF 中如何整理上下文

给 Agent 题目时，尽量提供这些信息：

题目名称：xxx
题目分类：未知 / Web / Crypto / ...
题目描述：...
提供文件：...
远程服务：host:port 或 URL
已尝试操作：...
关键输出：...
当前目标：先分类 / 求 flag / 写 writeup

不要一上来把几千行日志、十几个文件全文全贴进去。更好的方式是让 Agent 先列目录、识别类型，再按需读取。

小结

Token 决定模型处理文本的成本和容量，上下文决定模型当前能依据什么做判断。对于 ctf-skills 这类 Agent Skill 项目来说，控制上下文质量比堆信息更重要。