当 AI Agent 需要连续规划、调用工具、读取结果并修正方案时，任何一次理解偏差都可能被带入下一步，最终形成错误累积。超长上下文虽然能容纳更多记录，却不等于模型能稳定利用全部信息。真正有效的做法，是把上下文从“完整日志”改造成可检索、可校验、可压缩的任务状态。
超长上下文为什么会放大错误
长链推理通常包含目标分解、资料检索、工具调用、结果判断和后续决策。假如 Agent 在早期误读了一个条件，后续步骤又把该判断视为事实，错误便会沿着推理链传播。上下文越长，过期信息、重复内容、工具噪声和相互冲突的结论越容易混在一起，模型需要辨别的信息也就越多。
研究发现，模型使用长文本中的信息时可能存在明显的位置差异：关键信息位于开头或结尾时通常更容易被利用，埋在中间时表现可能下降，这就是常说的“Lost in the Middle”现象。详情可参阅相关论文[1]。因此，扩大上下文窗口只能解决“能否放入”的问题，不能自动解决“能否准确找到并正确使用”的问题。
原则一：保留状态，而不是堆积过程
Agent 不应在每一轮都携带全部对话、思考草稿和工具原始输出，而应维护一份结构化任务状态。任务状态至少可以包括以下内容：
- 最终目标：明确期望交付物、适用范围和完成标准。
- 已确认事实：记录来源、更新时间和可信级别。
- 当前计划：标明已完成、进行中、待执行和被阻塞的步骤。
- 关键决策：保存结论，同时保留支持该结论的证据引用。
- 未解决问题：列出仍需检索、验证或向用户询问的事项。
这种设计把上下文从流水账转变为“工作记忆”。原始记录仍可存放在外部存储中，但只有与当前步骤相关的内容才进入模型上下文。上下文工程的重点，正是从不断增长的信息中筛选最有价值的部分，而不是简单追求更多 token。Anthropic 的上下文工程说明[2]也强调，应持续整理系统指令、工具结果、外部数据和消息历史。
原则二：按需检索，避免一次性灌入
面对大型知识库、项目代码或长期会话，适合采用“索引先行、内容后取”的方式。Agent 首先看到文件名、主题、时间、来源和简短摘要，只有在执行具体步骤时才读取相关正文。这种渐进式披露能够减少无关信息进入注意范围，也方便追踪每条结论来自哪里。
检索结果不宜仅按语义相似度排序，还应结合时效性、来源权威性、任务阶段和实体匹配度。对于会影响后续多步操作的信息，最好要求至少一次交叉验证；若来源冲突，则明确标记冲突，而不是让模型自行拼接出一个看似合理的答案。
原则三：在检查点压缩，而非随意总结
上下文压缩应发生在任务阶段完成、工具调用过多或窗口接近阈值时。高质量压缩不是把文本简单缩短，而是保留能够恢复任务的最小充分信息，包括目标、约束、已经验证的事实、关键操作、失败原因、当前产物位置和下一步行动。
压缩时还要区分“事实”和“推断”。事实应附带证据位置，推断应标注依据与不确定性，未验证内容不得在摘要中升级为确定结论。旧摘要被新摘要替换前，可以执行一致性检查，确认重要限制、数字、文件版本和待办事项没有丢失。
原则四：缩短单条推理链
一个 Agent 独自承担几十个连续步骤，会让早期偏差获得更多传播机会。更稳妥的方式是把复杂任务拆成边界清晰的子任务，由协调 Agent 分配工作，子 Agent 只接收完成该任务所需的局部上下文。交接时传递结构化结果、证据和风险，不传递全部过程记录。
不过，多 Agent 并不天然更可靠。如果职责重叠、共享状态不一致或摘要质量差，反而会产生新的误差。因此，每个子任务都应定义输入字段、输出格式、完成条件和失败处理方式。OpenAI Agents SDK 的上下文管理文档[3]也将应用侧本地状态与模型可见上下文区分开来，这有助于避免把所有运行数据都塞给模型。
建立可阻断错误传播的校验机制
减少错误累积不能只依赖提示词，还要在执行流程中设置检查点。可以采用以下机制：
- 步骤前校验：确认当前目标、输入条件和依赖资料是否齐全。
- 工具后校验：检查调用是否成功、返回格式是否正确、结果是否为空或过期。
- 决策前校验：要求结论对应到明确证据，并检查是否存在反例或冲突来源。
- 高风险操作复核：对删除、付款、发布和权限变更等操作增加规则校验或人工审批。
- 阶段性回放：从当前状态反推关键结论，确认它们能够由原始证据重新得到。
评估也应覆盖完整轨迹，而不只是最终答案。需要记录错误首先出现在哪一步、是否被后续步骤发现、压缩是否丢失约束、检索是否引入干扰，以及失败后能否恢复。通过固定测试集和失败案例回归，团队才能判断上下文策略是否真正降低了错误传播。
总结
超长上下文的正确价值，不是让 Agent 记住一切，而是让它在需要时获得准确、相关且可验证的信息。通过结构化状态、按需检索、阶段压缩、任务拆分和检查点校验，可以缩短错误传播链，并使错误更容易被定位和纠正。面向长时间运行的 Agent，最重要的设计目标应从“最大上下文”转向“最小充分上下文”，让每一步推理都建立在清晰状态和可靠证据之上。
