长任务中的 Agent 上下文应该如何管理？

面试时怎么答

这道题适合按信息寿命分层，而不是泛泛说“做摘要”。当前步骤、硬约束和证据引用保留原文；旧过程压缩；跨会话仍有效且获授权的事实才进入长期记忆。面试官若追问摘要丢信息，重点回答约束清单、可追溯引用、按需回读和摘要版本更新。

可以这样答：

长任务上下文可以分成三层：当前工作集保留原始指令、关键约束和正在使用的证据；较早的过程压成结构化摘要；跨会话仍有价值的稳定事实才写入长期记忆。工具的大段输出只保留结论与可回读引用。摘要可能漏掉否定条件，所以关键约束应单独列出，并允许从原记录重新取证。

核心回答

上下文是当前一次模型调用真正能看到的 token，包括系统指令、工具定义、消息、检索内容和工具结果；它与存放在外部的长期记忆不是同一概念。长任务要保留目标、约束、已确认事实、当前状态和未完成事项，压缩或移除重复对话与过时工具输出，并按需重新获取原始资料。上下文越长不一定越好，噪声会竞争有限的注意力和成本预算。

展开说明

常见方法包括：

窗口裁剪：保留近期交互和稳定系统指令，删除可重建的冗余结果。
Compaction：把较早轨迹压缩成摘要；摘要有信息损失，因此要单独保存关键约束、决策和证据 ID。
结构化状态：用任务表、变量和 Checkpoint 保存进度，而不是只依赖聊天文本。
Just-in-time Retrieval：上下文仅保留文件、记录或 URL 标识，需要时再读取相关片段。
Artifact 分离：大文件和完整工具输出存外部对象，模型只接收必要摘要和可定位引用。

外部网页、邮件和工具结果属于不可信数据，重新装入上下文时不能提升为系统指令。

工程实践

为每种上下文元素设置来源、优先级、token 预算和过期条件。Compaction 前保存不可丢失字段，之后用约束回归集检查遗漏；Checkpoint 应能恢复模型之外的真实任务状态。监控上下文长度、压缩次数、检索命中、约束遗失率和每步 token 成本。

常见追问

上下文管理与长期记忆有什么区别？ 上下文管理优化当前一次任务的有限 token 工作集；长期记忆保存跨会话仍有效的信息，并需要独立的写入、检索、过期和删除策略。
摘要压缩最容易丢失哪些信息？ 否定条件、数字阈值、实体指代、未完成事项和证据来源最容易被概括掉，因此应把硬约束单独结构化保存。
为什么把全部工具输出留在上下文中可能降低效果？ 大量无关日志会稀释注意力、抬高成本并增加提示注入面；应保留结论、关键字段和可回溯引用，原始结果放外部存储。

一句话复习

上下文工程是在有限窗口内保留最高价值的目标、状态和证据，并让其余信息可以按需恢复。

参考资料

面试题主题：AI Engineering Interview Questions 中的 Context Engineering 题
技术依据：MemGPT、Anthropic：Effective Context Engineering for AI Agents