Context：模型本轮真正看到的信息

Context 是一次模型调用输入中的信息集合，包括系统指令、用户消息、最近对话、工具定义、工具结果、检索片段、任务状态和运行时提示。它不是 Memory 的同义词，而是 Memory 被选择和装配后的当前工作集。

1. Context 的组成

Text复制
system/developer instructions
task goal and constraints
selected conversation history
current plan/state
available tool schemas
retrieved evidence
recent tool results
budget and stop conditions

不同层有优先级、可信度和生命周期。网页内容、文件内容属于数据，不能与系统规则混在同一语义层。

2. Context Engineering

核心不是“塞更多 token”，而是让模型在每轮看到完成当前决策所需的最小充分信息：

• 只暴露相关工具；
• 大文件按需读取；
• 老历史压缩为结构化摘要；
• 关键约束重复注入稳定区；
• 证据保留来源 ID；
• 计划、待办和验证状态类型化；
• 高噪声日志先提取错误片段。

3. 上下文窗口不是持久化

窗口变大只提高单次可见量：

• 会话结束后不会自动保留；
• 内容过多会增加成本与注意力稀释；
• 旧事实可能与新状态冲突；
• 工具结果和消息顺序仍需遵守协议；
• 长上下文也需要选择、去重和压缩。

4. Context Compaction

当历史接近预算时：

1. 保留系统规则、当前目标和未完成任务；
2. 保留最近关键工具调用与结果；
3. 将较老过程压缩成结构化摘要；
4. 把详细证据移到外部存储，仅保留引用；
5. 校验摘要是否保留关键 ID、决策、错误和副作用；
6. 记录 compaction 前后版本，便于诊断。

推荐摘要结构：

yaml复制
goal:
completed:
pending:
decisions:
constraints:
evidence_refs:
side_effects:
known_failures:
next_action:

5. 常见问题

• 摘要把推断写成事实；
• 丢失 tool call / tool result 配对；
• 省略失败尝试导致重复；
• 同时保留旧状态和新状态；
• 工具说明太多挤占任务证据；
• 外部不可信文本混入高优先级指令区。

6. 评测

设计长会话测试：在第 1、20、50 轮设置关键约束，触发 compaction 后检查 Agent 是否仍遵守；同时检查成本、延迟、重复工具调用和任务完成度。

7. Context 是一次请求的工作集，不等于 Memory

Context 是模型在当前推理调用中实际可见的 token 集合；Memory 是可跨步骤或跨会话保存、随后被选择性取回的信息。长期记忆只有经过检索和装配进入 prompt 后，才成为本轮 context。

8. 上下文预算与优先级

先为不可丢失内容预留预算：系统规则、当前目标、工具协议和最新关键观察；再按相关性加入历史、检索与记忆；最后才加入低价值示例。摘要应保留未完成事项、关键决定、证据定位和副作用状态，而不是只写自然语言概述。

长上下文仍可能产生“中间信息被忽略”、旧信息干扰和成本升高，因此“能放下”不代表“应该全部放入”。Context Builder 应记录每段内容的来源、token、选择理由与截断状态。

参考：AI Agent 教程：上下文工程。