上下文窗口(模型单次能读取的信息上限)从几万到上百万 token 不等,但历史越多并不等于记得越好。我们注意到,Agent 的记忆本质上是一套上下文管理工程:模型参数训练后固定,所谓“记住”,要么靠内容仍在当前上下文,要么靠外部存储再读回。

这是什么

文章把长轨迹管理拆成三条路:裁剪是少把内容放进窗口;压缩是把旧对话换成摘要,保留要求、进度、结论和待办;外置则是写入文件,只在上下文里留下索引。

三者都能缓解容量与成本问题,也都有代价。裁剪可能提前丢掉后续需要的信息;压缩会增加一次调用,并可能遗漏细节;外置要求 Agent 之后主动读取文件。它还提醒,不应等窗口报错才处理:内容接近上限时,重点被忽略的“上下文腐化”已经可能发生。

行业怎么看

我们的判断是,Agent 产品的差异正从“会不会调用工具”转向“能否长期维持任务状态”。企业若只增加模型窗口,未必能解决可靠性、成本和延迟问题,记忆层因此会逐渐成为独立基础设施。

风险也很清楚:摘要一旦漏掉关键约束,后续执行可能沿着错误方向继续;文件若缺少结构、版本和审计机制,所谓记忆还可能变成过期信息仓库。压缩还可能使缓存失效,带来额外费用。因而,长期记忆不能只追求“存得多”,更要保证可追溯、可更新,并允许回到原始材料复核。

对普通人的影响

对企业 IT:部署 Agent 时,预算重点应从单纯模型调用转向状态管理,包括上下文预算、摘要策略、外部存储和日志追踪。

对个人职场:能持续记住项目背景、确认过的结论和待办的助手会更实用,但重要决定仍应保留在文档或任务系统中,避免错误摘要长期累积。

对消费市场:随着个人助理开始跨会话保存偏好,用户会获得更连续的体验,也会更在意哪些信息被保存、能否删除,以及错误记忆如何纠正。