上下文是怎么一步步变脏的

Agent 跑偏很少是模型突然变笨，而是上下文里噪音占比随步骤累积；先诊断上下文质量，再考虑换更大的模型。

Agent 跑偏，很少是模型突然变笨。绝大多数情况是上下文里噪音的占比随步骤累积：第 3 步还很干净，第 8 步已经埋住了，第 15 步基本不可用。所以劣化一出现，先诊断上下文质量，再考虑换更大的模型——顺序反了，你会花两周买一个零收益的结论。

先量噪音，再换模型

阿里千问平台的演进里有一组很难辩驳的对照：同一个 Skill，3 步质量很好、8 步明显下降、15 步几乎不可用，换更大参数的模型没有任何改善。团队后来花两周评估更大的模型，指标没动；做一周上下文管理，指标提升 40%。qwen-harness

这句话值得贴在墙上：不要用更大的模型掩盖工程层面的问题。 模型能力是乘数，上下文质量是被乘数，被乘数趋近于零时换乘数没有意义。

诊断动作很机械：把每一步的 prompt dump 出来，按来源统计 token，算出"当前步骤真正用得上的内容"占比。算完再决定动什么。

注意力稀释 70/20/10

逐步骤 dump 之后看到的真相很有冲击力：到第 8 步时，上下文里 70% 是前几步工具调用的原始 JSON、20% 是历史对话、只有 10% 是当前步骤真正有用的指令。物理容量 128K 不等于有效容量——塞满 70% 噪音的 128K，不如精心管理的 32K。qwen-harness

更麻烦的是它会自我恶化：膨胀 → 稀释 → 参数错误率上升 → 更多重试消息 → 进一步膨胀。每一步都在给下一步加噪音，所以劣化曲线是加速的，不是线性的。你在第 5 步看不出问题，第 10 步就已经救不回来了。

还有一层位置效应：注意力对上下文位置并不均匀，首尾强、中段弱。规则文件注入时在最前面，随着会话增长逐渐"沉"进中段，效力就衰减了，长会话尾段会重现早先已经纠正过的风格违规。

压缩策略的实测差距

同一个任务——追踪几位联合创始人的职业去向——需要多轮搜索，单次返回从几千到十几万字符不等。实验一共做了六档压缩策略，把一个原生百万级窗口的模型刻意压到 128K 预算，下表取其中四档，差距已经是数量级的 ai-agent-book：

压缩率指"压缩后 / 压缩前"，数值越小压得越狠。所以拉开差距的不是狠，是压缩时有没有把"当前在找什么"一起喂进去。逐条摘要只看得见眼前那一段，只能对称地压每一段；上下文感知版在压缩提示里带上当前查询意图和已积累的信息，于是总 token 从 276,608 掉到 40,157，迭代从 12 次掉到 7 次。

这张表还顺带纠正两处误解。一是压缩的动机不止"控制长度"，还有提升思考质量与缓解上下文焦虑，控长度只是最表层那个。二是"装不下"和"装得下但找不到"是两种故障：前者由溢出保护直接判失败，当场暴露；后者不报错，只让参数错误率一点点往上爬。

上下文腐坏：纠正过的错误还在

被 agent 自行纠正的工具错误，仍然留在上下文里持续干扰后续决策。Cursor 把这种现象叫"上下文腐坏"：工具是 agent 最容易出缺陷的界面，累积的错误会降低后续决策质量，有时让 agent 卡住，有时让它完全失控。cursor-agent-harness

有效做法是把错误按成因分类：InvalidArguments 和 UnexpectedEnvironment 是模型出错，ProviderError 是工具方服务中断，UserAborted 和 Timeout 是环境问题。然后按"每个工具 × 每个模型"分别算基线，做异常检测——未知错误率超阈值就告警。用全局基线会漏，因为不同工具、不同模型的正常错误率本来就不在一个量级。一次集中冲刺，他们把意外工具错误降低了一个数量级。

上下文焦虑：compaction 救不了

Claude Sonnet 4.5 在长任务里有个行为：上下文窗口快满时会提前收尾，草率结束工作，即使任务根本没做完。这叫"上下文焦虑"——模型感知到上下文将满，倾向于主动 wrap up 而不是继续推进。anthropic-long-running

关键判断是：compaction 不解决这个问题。就地压缩历史只是把噪音压得更密，没有给模型一个干净的开始，焦虑仍在。真正有效的是 context reset——完全清空上下文启动新 agent，用结构化的交接产物把上一个 agent 的状态和下一步任务传过去。

但这里有个反例值得记住：Opus 4.5 自身消除了这个行为，reset 反而变成纯粹的负担。harness 里编码的假设会随模型升级而过时，你得定期回头质疑当初为什么加这段逻辑。

代价与检查

这套诊断的代价是观测基础设施：按来源统计 token 的能力、错误分类与基线、分步骤的 prompt dump。短任务不值得建。

三个问题能快速定位：你的 agent 在第 10 步的上下文里，当前步骤用得上的内容占比是多少；同一个工具在同一个模型上的错误率有没有基线；任务收尾时，是模型判断做完了，还是它怕窗口不够。