作者Drew Breunig在AGNTCon大会上发表题为《上下文失败与修复》的演讲，系统梳理了上下文工程的发展脉络。2024年底，模型厂商曾寄望于超大上下文窗口解决一切问题，从Gemini 1.5的百万token到Llama 4 Scout宣称的千万token，但实践证明长上下文并非万能。作者归纳出四种核心失败模式：上下文污染（错误信息进入上下文并持续影响输出）、上下文干扰（过长上下文削弱模型对基础能力的调用）、上下文混淆（无关信息干扰推理）、上下文冲突（工具调用间相互矛盾）。Gemini 2.5在玩宝可梦时曾因训练数据中的FireRed版本细节而执着寻找’茶’，成为污染的典型案例。针对这些问题，业界已形成六类修复工具：上下文增强、工具装载、上下文隔离、上下文修剪、上下文卸载与摘要压缩，且已逐步集成进harness层。2026年，行业重心转向能自主管理上下文的智能体模型，GPT-5可连续执行约3.4小时任务，Gemini 3.1达6.4小时，Opus 4.6约12小时。由此催生两类新失败模式：’对抗权重’（模型过拟合训练环境的工具习惯）与’上下文惯性’（模型执着于既有方案不知放弃）。微软Fork-and-Flush研究与伯克利团队均验证了定期清空上下文、保留环境产物的有效性。作者预测2027年的核心挑战将是个人智能体长期运行中的记忆累积与冲突，战略性遗忘将成为新的研究方向。
事件分析
该演讲揭示了AI工程重心从’模型选择’向’harness构建’的迁移。技术层面，上下文工程已从个人提示词技巧演变为系统工程学科：六大修复模式已被DSPy、Claude Code等框架产品化，’决策小模型+大模型’的分层架构正成为harness的常见形态。产业层面，’对抗权重’现象值得模型厂商警惕，训练环境中的工具习惯会外溢为泛化缺陷，迫使Anthropic在Claude Code系统提示词中重复七次要求并行调用，暴露出模型能力与工程需求间的错位。’上下文惯性’的解决方案（定期清空、保留产物）与伯克利’遗忘带来性能跃升’的结论，共同指向记忆管理与遗忘机制标准化的需求。后续可关注三个方向：一是个人智能体长期运行中技能文件腐化的治理；二是模型厂商是否将harness交互与工具泛化能力纳入训练目标；三是上下文管理工具链是否会催生独立的基础设施赛道。
核心观点：模型越强大，越需要确定性代码来驾驭；Agent的下一个瓶颈不在更聪明，而在学会遗忘与放手。
原文链接：Hacker News
