Context Window：Agent 每一步到底能看见什么？

今天先记住

Context window（上下文窗口）不是“模型记忆力”的同义词，而是模型在这一次决策里实际能看到的输入边界。Agent 出错时，很多问题不是模型不会做，而是它这一步看见的东西不对、太少、太乱，或被旧信息挤满了。

它在大地图里的位置

还是看这条主线：

txt

用户目标
  -> 上下文 / 记忆
  -> 规划 / 决策
  -> 工具调用 / 外部系统
  -> 执行 / 观察结果
  -> 评估 / 修正
  -> 最终输出

今天讲的是“上下文 / 记忆”这一层。它站在规划之前，决定模型做下一步判断时能看到哪些用户目标、系统规则、历史状态、工具结果和候选资料。

它到底是什么

上下文窗口可以理解成模型当前这一轮的“工作台”。工作台上可以放系统提示、用户消息、开发者规则、历史对话、工具定义、检索材料、上一轮命令结果、错误日志等内容。

窗口大，不等于系统稳。窗口塞满了无关内容，模型会被噪音带偏；窗口缺少关键状态，模型会凭空补；窗口里同时有新旧冲突信息，模型可能沿用过期状态。

所以 Agent 里真正要管的不是“能塞多少 token”，而是每一步该放什么、不该放什么、冲突时谁优先。

为什么 Agent 里会用到它

Agent 每一步都要决策：现在该查文件、改代码、运行构建、问用户，还是停止输出。这个决策依赖上下文。

比如文档发布任务里，如果模型看不到上一课标题，就可能重复选题；看不到构建报错，就只能泛泛说“修复失败”；看不到“不要手动跑 vercel”，就可能执行错误发布动作。

上下文窗口的工程价值，具体落在这些失败点上：少了关键规则会越权，少了工具结果会假装成功，混入过期状态会误判现场，塞入太多无关历史会让真正重要的约束被淹掉。

怎么判断它有没有用

如果任务只是一轮问答，通常不用专门设计上下文管理。

如果任务会跨多步执行，就要明确每一步最小必需上下文：目标、当前状态、可用工具、刚才观察到的结果。

如果系统经常“明明说过却忘了”，先别急着加长 prompt，先检查那条信息是否真的进入了本轮上下文。

如果系统经常引用旧状态，比如人已经到家却还按“在路上”回复，就要给上下文加时间戳、优先级和过期判断。

一个小例子

txt

Input:
生成并发布 2026-07-17 的 AI Agent Daily lesson。

Process:
1. 放入上下文：写作框架、已有课程列表、上一课主题、发布规则。
2. 不放入上下文：无关聊天、旧项目日志、未参与本任务的未跟踪文件内容。
3. 执行后追加观察：npm run docs:build 是否通过，git status 里哪些文件相关。

Output:
模型选择“Context Window”作为下一课主题，并只提交 docs/ai-agent/2026-07-17.md 这类相关文件；如果构建失败，下一轮上下文里必须包含具体报错。

这个例子可以拿来判断真实系统：它不是问“模型记不记得”，而是问“这一步决策时，证据有没有摆到工作台上”。

常见误区

以为上下文窗口越大越好。大窗口只是容量，选择和压缩才决定质量。
以为记忆就是把历史全塞进去。长期记忆应该按任务检索，不是整仓倾倒。
以为工具结果天然会被模型记住。工具输出必须被写回状态，并进入下一轮上下文。
以为提示词能解决所有冲突。新旧信息冲突时，需要明确优先级和过期规则。

今天自测

上下文窗口和长期记忆有什么区别？
如果 Agent 重复昨天的主题，你会先检查哪几类上下文？
一个工具调用失败后，哪些信息必须进入下一轮上下文？

Context Window：Agent 每一步到底能看见什么？ ​

今天先记住 ​

它在大地图里的位置 ​

它到底是什么 ​

为什么 Agent 里会用到它 ​

怎么判断它有没有用 ​

最近冒出来的词 ​

一个小例子 ​

常见误区 ​

今天自测 ​