Agent上下文治理落地实践，从任务输入到记忆管理的系统性设计

当一个AI Agent被要求比较两只基金的费用结构与持仓重叠，并结合用户上传的个人持仓生成可验证报告时，它面临的不只是知识问题，更是上下文组织问题：用户中途更新了持仓文件，又明确要求后续报告不再默认压缩结论——此时Agent如何确保“当前有效输入”不被旧版本覆盖？模型声称“已记住”，系统如何确认真实保存？这些问题的答案，正指向当前Agent工程中日益关键的环节：上下文治理的落地实践。

上下文治理并非单纯增加提示词长度或堆砌记忆模块，而是一套围绕目标导向的系统性设计。其核心在于：每次调用模型前，从有效任务、获准材料与真实执行记录中动态构建当前工作视图；行动后，再将新观察与变更注入下一轮循环。这一过程需清晰区分信息来源与更新节奏，避免将稳定原则、临时数据与执行状态强行合并为一段冗长的system消息。

如图1所示，首轮输入应逻辑分区为六类职责明确的组件：1）稳定系统指导（如行为准则），2）当前用户目标（含限制与交付要求），3）有效记忆背景（仅准入且相关的少量历史），4）方法与工具入口（实际可用能力契约），5）文档与结果目录（必要片段+导航路径），6）当前工作问题（缺口与待决事项）。这并非要求新建六个独立模块，而是强调在请求装配阶段形成一份职责清晰、来源可溯的整合视图。例如，在基金比较任务中，“只研究、不调仓”是硬性限制，必须与原始请求一同保留；而“份额、适用费用、可比持仓披露尚待核对”属于当前缺口，应明确标注而非隐去。

系统提示词的设计尤为关键。它不应是背景介绍，也不该预设具体步骤（如“先查A再读B”），而应提供跨任务可迁移的行为原则：区分事实与假设、判断需带适用条件、缺证据时说明具体缺口、依赖工具回执确认操作结果。这些原则保障了模型在面对不完整或冲突数据时仍能做出合理响应——例如，当持仓披露时期不一致时，模型可选择先输出费用对比结论，同时声明“仅基于共同披露期持仓分析”，而非自行补全缺失字段。

记忆管理同样需分层处理。图2展示了三类不同时间尺度的记忆用途：任务内便签用于记录当前问题、缺口与暂定判断；跨会话记忆承载偏好、背景与历史讨论；可复用经验则需经审核才成为方法候选。重要的是，记忆不是必须建三套数据库。短任务无需持久化存储，原始工具结果若支持按版本回读，就不必每轮重复注入全文。系统只需确保：当用户修正条件（如“按新持仓算”），本次有效输入能及时更新，旧版本保留在外部供追溯，但决策依据必须同步切换。

更进一步，对于用户明确提出的持久性请求（如“以后报告不要默认压成短答”），需引入显式记忆操作流程。图3呈现了这一机制：用户提出持久请求 → 系统定位已有记录 → 核对范围与目标修订 → 提交并取得操作回执 → 按真实回执报告结果。整个过程以“提交回执为准”，而非依赖模型口头承诺。例如，当用户说“请记住我偏好详细分析”，系统应触发一次写入操作并返回确认ID；后续调用中，该偏好仅在回执有效前提下被激活，避免因模型幻觉导致行为漂移。

上述设计源于ETF Agent的实际实现经验，并非理论推演。实践中，团队发现：优先选择能完成任务的最小路径，再由可观察的失败决定是否增加机制。解释一个基金费用术语，直接回答即可；但涉及多基金交叉比对、资料过长或中断恢复时，才需引入持久工作状态、内容压缩或子代理协作。这种渐进式扩展策略，既控制了系统复杂度，也提升了工程可维护性。

值得注意的是，上下文治理的难点不在技术实现，而在认知重构。传统提示工程常将所有信息塞入单一context窗口，导致修改困难、调试模糊、责任不清。而现代Agent架构要求将“系统提示词”“用户请求”“记忆”“工具反馈”“进度状态”视为协同但职责分离的组件。Anthropic在其《Effective context engineering for AI agents》中已指出，工程重心应从“还能往窗口里装什么”转向“为了作出有用的下一步判断，模型此刻需要知道什么”。这一转变意味着：上下文不是静态背景，而是动态的任务视图生成器。

在具体实施中，团队采用“请求装配器”（Request Assembler）作为中枢节点：它接收来自会话历史、记忆库、工具缓存与运行日志的碎片信息，按六类职责规则整合为本轮模型输入。该组件不存储数据，仅负责视图构建；各源系统继续履行原有职责——记忆模块专注长期存储与检索，工具接口负责状态同步，会话管理维持对话连贯性。这种解耦设计使系统在面对需求变更时更具弹性：例如，当用户新增“需引用最新年报”的要求，只需调整装配器中“文档与结果目录”的筛选逻辑，无需重写整个提示词或重建记忆索引。

当前行业仍普遍存在“上下文膨胀”倾向：为追求所谓“完整上下文”，将数万token的历史对话、未过滤的网页片段、冗余的工具输出全部拼接输入。这不仅推高推理成本，更掩盖了关键信息的优先级。真正的治理，是做减法——通过明确职责边界与更新频率，剔除噪声，保留对当下决策真正必要的信号。

随着Agent应用场景从单轮问答向多轮复杂任务延伸，上下文治理已成为决定系统可靠性的底层能力。它不依赖更大模型或更多算力，而取决于工程层面的严谨设计：让每一步判断都围绕目标展开，让每一次输入都来源清晰、职责分明。这既是技术实践，也是对AI系统“可解释性”与“可控性”的实质性推进。

未来，随着Agent在金融研究、法律咨询、医疗辅助等高风险场景落地，上下文治理将从“最佳实践”变为“必备规范”。能否在用户修正意图后准确同步上下文状态，能否在长周期任务中防止记忆漂移，将成为衡量Agent成熟度的关键指标。