Agent 的上下文不是一段 Prompt：把记忆当成有生命周期的工作资产

Prompt 没变，为什么 Agent 还是会跑偏？

刚开始使用 Claude Code 和 Codex 时，我很少主动切换会话。同一个会话已经积累了项目结构、任务背景和此前的决策；开启新会话意味着 Agent 需要重新探索仓库，我也需要重新说明目标与约束。为了避免这些重复工作，我更倾向于在一个长会话里连续完成相关任务。

这种做法在短任务里通常没有明显问题。但任务变长以后，搜索结果、工具返回、中间结论和历史指令会不断进入上下文。Agent 可能重复已经完成的探索，忽略较早的目标，或者继续使用已经失效的中间结果。

有一次，我让同一个 Agent 连续完成三个阶段：先探索仓库，再依据已有约束实现功能，最后回到这些约束审查改动。任务期间，上下文两次触发压缩。压缩后，Agent 仍在调用工具和处理代码，最终却没有完成整条任务链：局部动作继续发生，探索、实现和评审不再围绕同一组约束推进。

这段经历不能证明压缩就是跑偏的根因。当时没有保存完整 trace，也无法确认哪条信息在什么时候丢失。它能说明的只有一点：Prompt 不是决定 Agent 行为的全部输入。随着任务推进，工具结果会增加，中间结论会失效，原始目标也可能在摘要中被改写。即使 Prompt 没变，模型每一轮实际看到的信息集合也可能已经不同。

Anthropic 在 Effective context engineering for AI agents 中将 Prompt Engineering 与 Context Engineering 区分开来：前者关注如何编写和组织指令；后者关注推理发生时，哪些信息进入模型，包括系统指令、工具定义、消息历史和外部资料。

本文沿用这个边界。Prompt 规定 Agent 应该怎样行动；Context Engineering 管理它此刻能够依据什么行动。问题因此不再是“怎样写一段更强的 Prompt”，而是：

当信息不会全部、永久、同等可信地留在窗口里，系统应该如何决定它的进入、更新和退出？

先分清四种东西

在本文中，“上下文”专指某一轮推理实际发送给模型的信息。系统保存过、模型曾经看过，或者未来能够检索到的内容，都不自动属于当前上下文。

MemGPT 展示了在窗口与外部存储之间移动信息的分层方式；CoALA 则区分工作记忆与多种长期记忆。下面的四分法不是这些研究提出的标准，而是本文为了讨论真实任务中的读写和失效规则采用的工程分类。

这里区分的是运行时角色，不是四个必须独立部署的存储区。同一条信息可以改变角色，但不能因为“出现过”就自动获得更高权威。

例如，Agent 从仓库读取一份测试配置时，它首先是检索证据；当这份配置影响当前方案时，相应结论进入工作上下文；只有在多次核验后确认它是跨任务稳定的仓库约束，它才可能成为长期记忆。如果负责人进一步把它写入开发规范，它才成为后续任务的行为契约。

这也解释了两个常见误区。第一，被长期保存不等于应该在每轮注入。代码库、来源库和事件账本都可以长期存在，但仍应按需读取。第二，来自过去不等于值得成为长期记忆。失败调用、被推翻的方案和未经核验的模型总结属于任务历史，不应因为便于检索就继续影响未来任务。

分层不是为了概念整齐。只有先知道信息承担什么角色，系统才能决定它应该常驻、按需读取、暂时保留，还是跨任务治理。

上下文窗口不是仓库

更长的上下文窗口当然有价值。它能减少硬截断，让模型一次接收更多代码、文档和历史。但窗口容量只回答“最多能输入多少”，不保证模型能在需要时找到并正确使用其中的信息。

三组研究从不同角度给出了行为层证据：

这些研究的任务、模型和控制变量不同，不能拼成一条关于所有长上下文模型的普遍定律。它们共同反驳的是更弱、也更实用的假设：只要信息仍在窗口里，模型就会同样稳定地使用它。

这也不意味着上下文越短越好。窗口过短会遗漏必要约束，压缩过度会同时删除结论和依据。需要优化的不是长度本身，而是当前任务中的信息密度。Anthropic 将这个方向概括为寻找足以支持当前行为的高信号信息集合；本文把它进一步表述为“最小充分工作集”。

在这个工作集中，每条信息都需要回答两个问题：为什么现在要进入，为什么现在还应留下。暂时不需要但能够重新获得的信息可以保留索引；已经失效的信息则应退出，而不是与当前事实并排堆放。

一旦不再把窗口当仓库，“记住”就不能只意味着保存。它还必须包括提炼、校验、取回、修订和退出。

让记忆拥有生命周期，而不是保留聊天记录

把每轮消息、工具调用和模型回复按时间保存下来，完成的是 trace 留存。完整 trace 对复盘和审计有价值，但它同时包含事实、猜测、失败尝试、重复内容和只在当时有效的状态。直接对它做向量检索，只是让旧对话有机会重新进入上下文，并没有把旧对话变成可信的长期资产。

PlugMem 提供了一种具体做法：先保留情景记录，再从中提取事实命题和可复用流程，并让抽象知识能够回到原始经历。A-MEM 则把记忆组织成带有上下文描述、关键词、标签和链接的笔记，并允许新记忆更新既有条目的属性。这些研究支持“原始经历需要经过提炼”和“记忆对象可以演进”，但没有共同提出完整的来源、权限和撤销标准。

为了把这些能力放进真实系统，本文建议让一条长期记忆经历以下生命周期：

采集 trace → 提炼候选 → 校验 → 带属性写入 → 按需检索 → 修订 → 退出使用

假设 Agent 在仓库中看到 pnpm-lock.yaml，运行 pnpm test 成功，又在 CI 中看到 pnpm 命令。这些首先是三条带来源的任务事件。系统可以据此提出候选记忆：“该仓库根目录使用 pnpm，默认测试入口是 pnpm test。”

候选不等于事实。一次命令成功可能发生在子目录，lockfile 也可能是迁移遗留。写入前还需要检查 package.json、脚本、当前分支和 CI 配置，并明确结论适用于整个仓库还是某个 workspace。

一条可维护的记忆至少需要三组属性：

其中，适用范围、失效条件和替代关系是本文的工程建议，不是上述论文共同采用的标准字段。

当仓库迁移到 npm 时，系统不应简单追加一条相反记忆。新配置可以产生一个新版本，原来的 pnpm 记忆则标记为 superseded。如果只发现配置发生变化、尚未完成核验，可以先标为 stale 并暂停注入。如果后来确认它来自错误分支、越过权限边界或本来就不应持久化，则应标为 revoked，停止使用，并检查它是否已经影响其他笔记或任务。

过期、被替代、撤销和物理删除不是同一个动作。Microsoft 的 Agent 记忆安全指导把记忆同时视为高价值数据和影响 Agent 行为的控制层，要求写入门禁、来源标记、身份隔离、检索时的新鲜度检查，以及可追踪的创建、读取、更新和删除记录。它是一份安全治理建议，不是记忆效果实验；但它说明，一条能够跨会话影响行为的信息，不能只由模型自由写入。

长期记忆因此不是一段“以后可能有用”的聊天摘录。它是从证据中提炼、经过准入判断、带着适用范围进入系统，并能被修订、暂停和撤销的对象。

三种运行时策略：压缩、按需检索与任务笔记

生命周期解决一条信息如何成为长期记忆。长任务还需要处理另一个问题：在任务尚未结束时，如何维持连续性、取得证据并保住全局状态。

压缩、按需检索和任务笔记处理的是三类不同问题：

Anthropic 将压缩定义为用高保真摘要重新开始上下文，并建议优先保住架构决策、未解决问题和实现细节。压缩适合回答“任务怎样走到了这里”，不适合替代仍需精确核验的原始配置和日志。

对于能够从外部可靠恢复的信息，更合适的是即时检索。上下文先保留文件路径、查询和链接，Agent 到达需要证据的步骤时再读取具体内容。这样可以减少无关输入并提高信息新鲜度，但会把成本转移到查询规划、工具调用和 I/O。

任务笔记则是工作上下文的外部表示。它可以记录“当前正在实现，评审尚未完成”，但这仍是单个任务内的状态，不应自动进入长期记忆。LangChain 的当前文档也按作用范围区分 thread-scoped short-term memory 与跨 session 的 long-term memory。

回到开头的 explore、generate 和 review 任务，一种可验证的组合是：contract 固定三个阶段和验收要求；任务笔记记录当前阶段、未解问题及仍需执行的 review；探索期间读取的代码和测试输出留在原位置，笔记只保存路径和结论；历史接近窗口上限时，压缩保留已完成工作和已排除方案；压缩后，Agent 先重读任务笔记，再沿证据入口打开当前文件。

Anthropic 建议清理久远的原始工具结果；Manus 的工程复盘则强调保留失败动作和反馈，以免重复错误。两者可以通过区分“失败的语义”和“失败的全部输出”来调和：任务笔记保留错误签名、失败结论和已排除方向，完整日志退出窗口但保留路径。这个组合是本文的策略判断，不是两篇来源已经验证的统一答案。

我没有保存开头任务的完整 trace，也没有用这套组合重跑，因此不能宣称它已经解决了跑偏问题。它只是把问题变成了可验证对象：压缩后阶段是否仍完整，任务状态能否恢复，关键结论能否回到原始证据，失败方向是否会被重复执行。

放回已有项目：保存什么，给 Agent 看什么

真实项目往往已经保存了大量信息。关键问题不是还要不要保存，而是其中多少应该进入下一轮推理。

Harness 提供了最完整的实现证据。按照固定版本的 Task Repository 设计，一个任务目录同时包含 events.jsonl、state.yaml、runs/ 和四份语义文档。它们描述同一项任务，却服务于不同目的：

• runs/ 保存经过脱敏的原始执行日志；
• events.jsonl 用于重放和审计；
• state.yaml 是可重建的机器状态；
• brief.md、decisions.md、evidence.md 和 handoff.md 面向任务理解与交接。

文件系统仓储实现会检查事件版本，再写入账本、状态投影、语义文档和独立执行日志。恢复任务时，WorkOrder 实现只向新执行者提供四份语义文档和已记录产物，不把事件账本、状态投影或原始日志直接注入上下文。

为核对当前实现，我在该固定 commit 上复跑了语义文档、跨宿主恢复、原始日志保留和 WorkOrder 四组测试，共十九项，全部通过。测试能够证明分层存储、恢复上下文和保留策略按代码执行，不能证明这种设计已经提高真实生产任务的成功率。

语义文档也不能自动成为比原始证据更高权威的事实。当前 evidence.md 是从角色提交内容投影出的证据摘要，生成路径没有强制每一项都携带独立来源对象和验证者。因此它更适合被定位为证据索引：帮助下一位执行者知道去哪里检查，而不是替代工作区文件和测试输出。任务文档只有经过显式审批才会被提升到项目文档目录，原始运行记录不会自动升级为长期记忆。

ZhoMind-v2 展示了同一原则在知识库中的形态。固定版本的检索实现只接受当前发布 generation 的分块；生成 Prompt只包含本轮问题和前三条证据，而不是完整文件。会话消息和 RAG trace 会持久化，但当前生成路径不读取历史消息；记忆 Store 仍为 Runner 内部的内存实现，MemoryWriteNode只记录门禁决定。这可以称为会话记录、证据链和记忆策略脚手架，不能称为已经验证的跨会话长期记忆。本轮没有复跑该项目测试。

TracePress 则只有设计层证据。它的 PRD明确标记为“待技术设计”，要求未来分别管理来源、主张、冲突、审批、任务状态、日志和作者偏好。来源库长期保存完整材料、各角色只读取当前主张所需证据，是设计目标，不是已经实现的能力。

三个项目成熟度不同，却指向同一个判断：原始资料因为需要复核而保存，事件账本因为需要恢复和审计而保存，任务摘要因为需要继续工作而进入上下文，长期记忆则需要单独的准入和治理。持久化不是注入的理由。

边界与最小验收：不是所有 Agent 都需要长期记忆

判断是否需要长期记忆，不能只看任务持续多久。一个每天重复的五分钟任务，可能需要跨任务复用偏好；一个持续数小时但不会再次发生的任务，可能只需要当前 session、checkpoint 和任务笔记。

单次格式转换、给定材料摘要、临时分类和一次性检查，通常没有必要先生成长期记忆。OpenAI Agents SDK 的 Memory 文档也允许为 checker、subagent 或低信号的一次性工具 Agent 关闭记忆生成。该功能目前标为 Beta，因此这里只把它作为产品工程例子，而不是普遍定律。

能够从权威来源低成本重新获得、并且持续变化的信息，也不宜保存成长期真相。依赖版本、仓库配置、构建结果和服务状态都可能迅速失效。对这类信息，更适合记住“去哪里查、如何验证”，而不是记住某一时刻的结果。

权限和纠错能力是更硬的准入条件。如果系统不能说明一条记忆来自谁、何时产生、适用于哪个用户或项目，也不能让用户查看、修改和删除，那么即使检索效果不错，也不应让敏感信息和行为偏好跨会话影响 Agent。

长期记忆至少应与两个更轻的基线比较：只保留 session 或 checkpoint，以及在需要时重新查询权威来源。比较时应保持任务集、模型、工具权限和近似预算一致。

最小验收可以从六个问题开始：

LongMemEval同时报告检索指标与最终问答结果，并覆盖知识更新和拒答；MemoryAgentBench进一步测试选择性遗忘，并区分记忆构建与查询时延。表中的具体门槛、P50/P95 和人工接管口径仍是本文给项目评测提出的建议，不是这些论文规定的统一标准。

正确召回不能被压缩成一个数字。检索层找到记忆，不代表模型会正确使用；最终答案正确，也可能是模型重新查询或依靠其他信息得到的。过期信息同样要拆成两层：旧版本进入候选是检索问题，Agent 最终服从旧版本则是行为问题。

token 更少、响应更快也不能单独证明记忆有效。如果节省了原始资料读取，却增加错误召回和人工接管，系统只是把计算成本转移成了纠错成本。

长期记忆因此不应成为 Agent 的默认基础设施。只有当信息确实需要跨任务复用，重新获得它的成本高于持久化和治理成本，并且系统能够证明任务质量改善、过期影响可控、纠错足够快、成本与时延可以接受时，建设长期记忆才有明确理由。

真正可靠的记忆系统，不是让 Agent 永远不忘，而是让每条被想起的信息仍能回答三个问题：它从哪里来，为什么现在仍然有效，以及谁能够让它被纠正或遗忘。