防止对话上下文腐败（Context Corruption）的策略

上下文腐败是 AI Agent 实际部署中的核心难题——对话轮次增加后，噪声积累、有效信息稀释，模型输出质量逐步下降。

1. 上下文管理层面

主动压缩

• 摘要截断：定期对历史对话做摘要，替换原始长日志

• 语义压缩：用 Embedding 聚类，丢弃离群/弱相关消息

• 滑动窗口：硬性限制只保留最近 N 轮或 token 阈值

记忆分层架构

短期记忆（Working Context） ← 当前对话窗口，受限于 context limit 中期记忆（Session Memory） ← 本次会话重要结论和决策 长期记忆（Long-term Memory） ← MEMORY.md / 向量数据库

模型按需从外部存储读取，而非所有信息堆积在 prompt 中。

2. Prompt 层面

明确边界，减少模型自主延伸

你是一个 X 领域专家。请只基于用户提供的信息回答， 不主动延伸背景知识。如果信息不足，明确说"无法确定"。

分离系统指令和动态上下文

• 系统级指令（角色、规则）固定不变

• 动态用户内容只放在专门区域

• 定期重建上下文：把核心信息重新注入，而不是累积堆叠

3. 架构层面

规划-执行分离（Plan-and-Execute）

规划阶段：注入任务描述 + 目标 → 模型输出计划 执行阶段：分步调用工具 → 只注入当前步骤结果

避免"边想边做"导致上下文快速膨胀。

工具输出最小化

• 工具返回做结构化过滤，整段回传是浪费

• 用 JSON Schema / 表格等结构化格式替代自然语言回传

子 Agent 隔离

不同子任务分发到独立 session，避免单一上下文无限增长。OpenClaw 的 sessions_spawn 隔离就是这个思路。

4. 实用对照表

核心原则

上下文是稀缺资源，要像管理内存一样管理它：及时回收、只保留必要状态、避免不必要的堆积。模型应该"需要什么查什么"，而不是"所有东西都摆在面前"。