Token 是有限资源：复杂 Agent 的上下文预算分配框架

前沿模型如今宣传的上下文窗口动辄 200K、1M 乃至 2M token。工程团队将其视为已解决的问题而继续前行。数字如此之大，我们应该永远不会触及上限。

然而，在一个自主研究任务执行六小时后，agent 开始产生幻觉，对它三小时前编辑过的文件路径一无所知。一个代码 agent 自信地打开了它在第四轮已删除的函数。文档分析流水线开始与它之前从同一文档得出的结论相矛盾。这些不是模型失败——它们是上下文预算失败：可预测、可测量，而且只要将上下文窗口视为它实际所是的稀缺计算资源，几乎完全可以预防。

最大有效上下文窗口并非你所想象

2025 年对 18 个前沿模型（包括 GPT-4o、Claude Opus 和 Gemini 2.5）的分析发现，12 个模型中有 11 个在 32K token 时性能降至基线的 50% 以下。GPT-4o 在上下文填满时准确率从 99.3% 降至 69.7%。Claude 模型表现出更平缓的退化，但也未能幸免。

2025 年 9 月发表的研究引入了最大有效上下文窗口（MECW）概念：模型仍能可靠完成任务的最大上下文长度。MECW 远小于市场宣传的最大上下文窗口。对于某些任务，模型在上下文仅有 100 个 token 时就会失败。大多数模型在特定任务配置下到 1000 个 token 时就会出现严重退化。

基础机制已被充分理解。2024 年发表于《ACL 会刊》的论文《迷失在中间》（Liu 等人）展示了一个一致性发现：当相关信息位于上下文的开头或结尾时，模型性能最佳。在 20 篇文档中，当相关文档处于第 5-15 位时，准确率下降超过 30%。Transformer 将注意力分配给所有 token，随着上下文增长，任何特定信息的信噪比都会下降。

Chroma 2025 年的一项研究通过对照实验使这一点更加具体：即使将所有干扰 token 替换为空白符——给模型提供完美的检索条件——性能仍随长度退化。Llama-3.1-8B 在 30K token 时准确率下降高达 85%。Claude 3.5 在 30K token 时 MMLU 准确率下降 67.6%。长度本身就是问题所在，而非内容。

生产实践的含义：你不能依赖"模型会在大上下文中找到所需内容"。被动积累上下文的 agent 在运行过程中会持续退化。

上下文预算在实践中如何失败

当 agent 在任务中途耗尽上下文时，根据基础设施的不同，会出现三种截然不同的失败模式：

硬错误：较新的 Claude 模型（Sonnet 3.7+）在静默截断之前会返回验证错误。这实际上是最可恢复的失败模式——至少你知道出了问题。

静默截断：许多配置和旧模型在窗口填满时会丢弃最旧的消息而不发出警告。agent 继续运行，但工作记忆中存在空洞。旧的工具结果消失了。之前的决策不见了。agent 基于越来越残缺的历史版本进行推理。

上下文中毒：最危险的失败模式。当上下文接近容量时，模型难以追踪所有内容，产生的幻觉被附加到对话中并被视为事实。那个幻觉随后影响每一个后续轮次。2025 年一项关于 LLM agent 游戏的研究记录了这一现象：接近满载的上下文导致模型产生游戏状态的幻觉，随后被反馈到后续推理中，跨轮次累积，直到 agent 的世界模型与现实完全脱节。

总体代价相当显著。2025 年来自行业的数据将 65% 的企业 AI 流水线失败归因于多步推理过程中的上下文漂移或记忆丢失——不是原始上下文耗尽，而是上下文质量侵蚀导致的逐渐退化。

四层分配模型

将上下文视为预算意味着明确决定 token 如何在争夺空间的各组件间分配。来自生产部署的实践共识是一个优先级有序的四层分配：

第一层——静态锚点（永不驱逐）：系统提示和工具模式。这些内容置于提示的开头，在请求间保持稳定，是最具缓存价值的内容。这些应消耗固定的、已知的预算份额——理想情况下不超过总上下文的 10-15%。如果你的系统提示有 40K token，在第一条用户消息到达之前就已消耗 200K 窗口的 20%。

第二层——活跃检索上下文：RAG 结果、注入的记忆和相关文档。这一层获得第二大分配。关键纪律是即时检索：不要预先将大型文档加载到上下文中。维护标识符并通过工具调用动态加载内容，只返回相关摘录。一个在 agent 剩余 22,000 token 时返回 20,000 token 原始 JSON 的工具调用会让任务停滞。

第三层——对话历史：这是大多数系统失败的地方。如果不加管理，历史会无限增长。正确的模型是滚动压缩：随着新内容到来，最旧的交换被摘要，而不是保留原始记录直到触及限制。

第四层——暂存空间：中间推理、思维链轨迹以及已处理的工具调用输出。这是最可牺牲的层。Claude 的 API 会自动从轮次间的上下文积累中去除扩展思维块，这对长时间 agent 会话具有重要的架构意义——你获得推理收益而无需承担积累成本。

加载中…