当 Agent 需要完成多轮研究、资料较长或涉及中断恢复时，真正影响结果稳定性的，往往不是模型是否“知道”，而是模型在当前一轮能看到什么、这些材料是否有效、后续能否被回读和验证。掘金平台一篇关于 Agent 上下文治理的文章，将这一问题拆成可执行的工程动作：从首轮输入、系统提示词、长期记忆、工具结果回读到用户修正后的状态更新，形成一套可落地的上下文管理方法。
首轮输入不是把所有资料塞进去，而是先建立任务底稿
文章以一个基金研究任务为例：用户要求比较基金 A、B 的费用与持仓重叠，并结合上传的个人持仓快照 P1 生成有依据的报告，同时明确不执行调仓。任务开始后，系统不应急于搜索或摘要，而要先让原始请求、限制条件、用户提交材料和任务身份留下可回到的记录。任务说明可以从这些原件生成，但不能替代原件。
在系统提示词层面，文章给出的思路是把稳定指导与动态材料分开。系统提示词负责说明 Agent 如何工作，例如围绕目标推进、区分原始资料和计算结果、在资料不完整时识别缺口，而不是替模型预写每一道题的完整步骤。用户姓名、日期、持仓数据、旧记忆等内容，则应按当轮任务装配，不应固定写入模板。XML 或 Markdown 可以作为分区方式，但不能仅凭一层标签就把外部文字升级为系统命令。
- 首轮输入应包含：当前任务、有效材料、限制条件、待核实缺口。
- 系统提示词应描述工作方法，而不是绑定具体用户数据。
- 目录、文件名和检索命中不能等同于正文已读。
文章同时强调，这不是必须逐项开启的机制清单。简单问题可以直接回答；只有多轮修正、资料过长或中断恢复成为真实需求时，才考虑持久工作状态、压缩或子代理。更稳妥的路径是先选择能完成任务的最小方案，再由可观察的失败决定是否增加机制。
记忆和工具结果都要可验证：检索命中不等于正确采用
长期记忆是 Agent 容易出错的环节。文章提出，记忆读取前先要排除不属于当前范围、已失效或被遗忘的记录，再判断相关性、适用时间和容量。关键词或向量检索只能帮助发现候选，不能证明记录仍然有效。若用户处于临时模式，则应在访问记忆库前生效，既不召回，也不保存或自动学习。
进入模型的记忆片段也需要说明背景。例如，一条“先给结论，再解释依据”的偏好，应标明它来自用户长期要求，用途是辅助组织表达；如果本次用户明确要求深入分析，则旧偏好不能覆盖当前要求。
工具结果同样需要版本和边界。文章用 resultRef 一类的结果引用说明，回读时应核对来源、数据时点、表示形式和覆盖范围。例如，基金 B 的某期持仓披露可能只包含前十大持仓，数据截至 2026-06-30，此时模型只能说明已知共同持仓，不能将其称为完整重叠率。对于大表格，可以直接交给获准的计算工具，由计算端读取原数据并返回结果、口径和限制，减少无意义复制。
文章还提到一次受控排查：50 条记录最后只有 20 条进入实际模型请求。这提醒开发者，工具调用成功并不等于模型真正看到了全部关键材料，取回数量、过滤、分页、截断和最终请求中的表示都可能改变覆盖范围。
用户修正与上下文压缩：只更新受影响的工作
当用户在研究中途上传新持仓 P2，并表示旧持仓已过时，系统不能只是把这句话追加到消息末尾。更合理的做法是保留用户修正和 P2 的身份，说明个人输入已经变化；同时保留原计算采用 P1 的事实，并把受影响的研究问题重新带回待处理状态。旧结果不应被悄悄改写为新事实，历史版本也不能被静默替换。
文章用 researchNeeds 这类可修订问题清单表达研究进度，例如费用条款已取得、基金完整重叠率仍缺同期完整披露、个人暴露需要按 P2 更新、最终报告需要先给有依据的费用结论。便签式状态不是每轮强制更新，而是在关键证据、冲突、用户修正或阶段变化后，让下一轮请求获得有效进展。
在上下文压缩方面，文章的建议是较早结果可以缩成可精确回读的引用，但要保留选区、来源和覆盖；刚读到的关键内容不应在装配时无声退出。压缩的目标不是删除依据，而是减少重复搬运。
对于“以后基金研究报告不要默认压成短答”的要求，文章将其视为持续回答偏好；而“这次讲详细些”只影响当前回答。显式记忆和自动学习不能混同为“模型看过就自动存了”，保存、修改、遗忘都应以真实工具回执为准。
这种方法的价值在于把 Agent 的上下文治理从提示词技巧变成可检查流程。开发者发送前要核对实际请求，而不是只看模板；修改提示词或记忆策略后，也要对照前后请求，并用同类任务比较效果。对需要多轮研究、资料较长或中断恢复的场景，这种治理方式能减少错误引用、过期偏好和虚假完成感，让 Agent 的输出更接近可审计的研究结果。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/rang-agent-de-hui-da-ke-he-dui-cong-shou-lun-shu-ru-chang
