ETF Agent实现六类输入分区与三层记忆治理落地实践

在ETF Agent的实际开发中，团队围绕基金费用对比与持仓分析任务，落地了一套完整的上下文治理方案。该方案核心在于每次模型调用前动态构建清晰工作视图，避免系统提示词、记忆与工具结果混杂。首轮输入被逻辑划分为六类职责组件：1）稳定系统指导（如行为准则），2）当前用户目标与限制，3）有效记忆背景（仅准入相关历史），4）方法与工具入口，5）文档与结果目录（含导航路径），6）当前工作问题（缺口与待决事项）。系统提示词聚焦可迁移原则，如区分事实与假设、缺证据时说明具体缺口，保障模型在数据冲突时仍能合理响应。记忆管理采用三层结构：任务内便签记录当前问题与暂定判断；跨会话记忆承载偏好与历史讨论；可复用经验需审核后方可启用。针对用户持久请求（如“报告不默认压缩”），引入显式记忆操作流程：用户提出→系统定位→核对修订→提交回执→按回执激活，以操作回执为唯一依据，杜绝模型幻觉导致的行为漂移。工程上通过“请求装配器”中枢整合碎片信息，各源系统解耦协作，支持灵活调整而不重写整体逻辑。实践表明，优先选择最小可行路径，仅在多基金交叉比对、资料过长或中断恢复等场景才启用持久状态与压缩机制，有效控制复杂度并提升可维护性。该治理模式已在真实任务中验证其对上下文一致性和系统可靠性的实质性提升。