背景
当前 Tool（包括 MCP 工具）返回的大内容会通过 Tool Manager 执行后直接序列化并注入到上下文中。当返回内容过大时（如爬取网页、查询大数据、读取长文件等），会：
- 直接撑爆上下文窗口
- 导致后续 LLM 调用失败或成本激增
- 即使有截断机制，也会丢失重要信息
建议
当 Tool 返回内容超过预设阈值时，采用持久化 + 引用策略：
机制设计
-
检测超限：Tool 返回结果后，检查内容长度是否超过阈值（如 max-tool-result-chars）
-
持久化到本地：
- 将超限内容写入临时文件，如 tmp/tool-results/{tool_call_id}.txt
- 文件路径作为 Tool 返回结果的替代
-
返回文件引用：
{
"type": "file_reference",
"path": "tmp/tool-results/abc123.txt",
"size": 50000,
"truncated": false,
"hint": "内容已持久化，使用 read 工具读取需要的部分"
}
- Agent 按需读取：
- Agent 收到文件引用后，根据任务需要决定是否读取
- 可使用 read 工具分段读取，或先用 exec 命令（如 head、grep）预处理
- 避免"一次性全量注入上下文"的问题
优势
- 不会撑爆上下文：大内容持久化后只保留引用，上下文保持精简
- 信息不丢失：截断机制会丢失信息，持久化则保留完整内容供按需访问
- Agent 自主决策：Agent 根据任务需要决定读取多少内容，而非被迫接收全量
- 分段读取：支持 read 工具的 offset/limit 参数，只读需要的部分
配置项建议
local-agent:
tool-result-persistence:
enabled: true
threshold-chars: 8000 # 超过此长度触发持久化
storage-dir: ./tmp/tool-results
cleanup-after-session: true # 会话结束后清理临时文件与现有机制的关系
- 与 max-tool-result-chars 截断机制配合：可先截断再持久化，或直接持久化
- 与 context-window 感知配合：Agent 在预算紧张时可选择不读取大文件
参考
类似机制在其他框架中的应用：
- Claude Code 的 read 工具支持分段读取大文件
- OpenAI Assistants API 的 files 功能支持文件引用而非直接注入内容
背景
当前 Tool（包括 MCP 工具）返回的大内容会通过 Tool Manager 执行后直接序列化并注入到上下文中。当返回内容过大时（如爬取网页、查询大数据、读取长文件等），会：
建议
当 Tool 返回内容超过预设阈值时，采用持久化 + 引用策略：
机制设计
检测超限：Tool 返回结果后，检查内容长度是否超过阈值（如 max-tool-result-chars）
持久化到本地：
返回文件引用：
{ "type": "file_reference", "path": "tmp/tool-results/abc123.txt", "size": 50000, "truncated": false, "hint": "内容已持久化，使用 read 工具读取需要的部分" }优势
配置项建议
与现有机制的关系
参考
类似机制在其他框架中的应用：