考察点:长任务上下文持久化手段的取舍,以及 Token 预算与信息保真的平衡。
要点:三种手段分别解决不同层面的问题,实际项目里通常组合使用。
1. Compaction:窗口快满时压缩历史
连续多轮任务会把早期判断、工具结果和当前目标同时留在消息历史里,接近窗口上限时把历史压缩成摘要,再以摘要和新消息继续执行,从而实现跨窗口衔接。Anthropic 介绍过 Claude Code 的一种实现思路:摘要保留架构决策、未解决 Bug 和关键实现细节,冗余工具结果被移除,压缩后的上下文再配合最近访问的文件恢复任务状态。
难点在取舍——保留太多压缩没意义,保留太少关键上下文又丢了。比较实际的做法是拿复杂 Agent 轨迹反复调压缩 Prompt,先保证重要信息别漏,再逐步删掉冗余内容;这不是一次能写准的。
还有一个更轻量的手段:清理工具结果。工具调用过了、结果也消化了,就没必要保留完整原始输出。Anthropic 的 context editing / tool-result clearing 能在保留 tool_use 记录的同时清理旧的 tool_result,触发阈值需按业务负载测试。
2. Structured Note-taking:让 Agent 记笔记
让 Agent 把关键进展写到外部文件里(比如 NOTES.md、to-do list),上下文重置之后再读取这些笔记继续工作,和人类工程师写技术备忘是同一个道理。Claude 玩 Pokémon 的例子很典型:在数千轮游戏步骤里,它自己维护了数值追踪(“过去 1234 步我在 1 号道路训练皮卡丘,已升 8 级,距离目标还差 2 级”),还自发建立了地图、成就清单和战斗策略笔记;上下文重置之后这些笔记还能被重新读取,所以才能跨好几个小时持续推进。Anthropic 也在 Sonnet 4.5 推出 Memory Tool 公测,用文件系统持久化建立跨会话知识库。
3. Sub-agent:别让一个 Agent 扛所有状态
检索或代码阅读交给独立上下文中的 Sub-agent,主 Agent 只接收证据汇总。子 Agent 即使完成数万 Token 的探索,返回摘要通常只有 1000 到 2000 Token,详细搜索过程不会长期占用主窗口。是否使用取决于任务能否拆分、子任务依赖关系,以及汇总时是否会丢失关键证据。
怎么选
| 技术 | 适用场景 |
| --- | --- |
| Compaction | 需要持续对话的长流程,重点是保持上下文连贯 |
| Note-taking | 迭代式开发、有清晰里程碑、多步推进的任务 |
| Sub-agents | 复杂研究、需要并行探索、最终要汇总结果的任务 |
配套的 Token 预算约束
单次调用内按优先级排序:静态规则(System Prompt)→ 当前目标 → 证据(RAG 片段)→ 记忆 → 工具结果 → 历史摘要,最后按模型 Token 限额截断或裁剪。预算不够时按顺序减少 RAG Top-K、合并重复片段、摘要或截断长字段,一轮塞不下的任务再拆成分批或两阶段生成——而不是继续把窗口塞满。
工具结果不要一股脑塞:要提前设计是保留原文、写入摘要还是后续轮次清理,否则解析和回放阶段会留下大量难以处理的结果。
最后两条工程原则:高信噪比比信息量更重要;长任务要主动清理过期状态。另外从可回放的基线开始——先记录每一轮的上下文组成(静态规则、目标、证据、记忆、工具结果、历史摘要各占多少),否则失败样本只留下一个分数,没有证据可查。
题目与答案就在本页;收藏、批注和错题重练在应用内