← Context From First Principles

智能体写自己的上下文

智能体产出的东西成未来上下文前先治理:状态、证据 lineage、lifecycle 纠正,持久化不能当确认混过去。

调试智能体撞上失败的 migration 测试,猜租户标识符重复是病因,写进 progress 文件。场景是说明。二十轮后窗口重置。新调用读文件,看到"Root cause: duplicated tenant IDs",后面的工作全按没人确立的事实规划。触发猜测的测试输出没了。猜测留存,证据没留存。

几件事须分开:智能体把假设当 root cause 记录,支撑观察下次调用不可用,persist 的措辞没保留不确定性,后面的算子把陈述当事实用。持久化与重准入狭义技术上成功;失败是带着 qualification 不够的断言往前走。诊断类别因此须既点名成功的 handoff,也点名失败的认识契约:

初始错误 ≠ 持久化失败 ≠ 状态保留失败 ≠ 重准入失败 ≠ 下游使用失败

第 10–14 章管什么删除、变换、存储、读回,但它们自己验证不了智能体制造的断言。那些操作能忠实把没支撑的命题送进新调用。本章问智能体产出的信息要什么状态、来源、lifecycle、纠正语义,临时解读才不静默提成 durable 证据。

候选 universe 不静止

[第 14 章](/zh-cn/books/context/14-chapter/)的流水线漏了智能体行动后最重要的箭头:

    flowchart TD
    C["上下文,步骤 t"] --> M["模型"]
    M --> A["动作"]
    A --> O["观察<br/>环境报告的东西"]
    A --> G["生成 state<br/>计划、笔记、假设、报告"]
    O --> S["可用 state"]
    G --> S
    S --> K["未来候选"]
    K --> D{"准入 ([第 14 章](/zh-cn/books/context/14-chapter/))"}
    D --> N["上下文,步骤 t+n"]
  

行动产出观察,智能体产出关于观察的笔记解读。两者能 persist、索引、准入后面,但 transition 不自动发生。每 link 是独立步骤,模型生成的笔记和工具产出的观察保留不同的 producer identity:

行动产出信息 ≠ 它 persist ≠ 它成候选
        ≠ 它准入 ≠ 它成上下文

智能体执行因此改变未来智能体执行的信息环境。智能体发起互动(查询、文件、测试),环境工具产出观察。选互动影响哪些证据可用,不定证据报告什么,环境能随机能变。同样初始上下文,行动结果分歧,未来上下文不必相同,生产轨迹精确 replay 常常没有或很贵。工具对世界做什么归[第 17 章](/zh-cn/books/context/17-chapter/)。

生成 state 还不是上下文

写 PLAN.md 建智能体生成的 state(文件写成功、运行时可用)。内容准入渲染进后面的调用,它才成自生成上下文。persist 不保证 indexer 发现文件、候选 builder 选中它、组装器收它。这保留[第 1 章](/zh-cn/books/context/01-chapter/)的本体:存的 artefact 可用而不模型可见,persist ≠ 重准入。

本章覆盖可观测、可 persist 的 state:计划、任务清单、progress 记录、摘要、假设、批评、反思、子智能体报告、决定记录、中间文件。不覆盖隐藏推理轨迹、拿不到的 activation、provider 私有 state:

私有推理 ≠ 应用 state

上下文工程管应用观测得到的东西,可见反思文本不是隐藏推理的忠实 transcript。实验不 seed 不读不测它。

在 Context Viewer 里检查

本章的 viewer scene 跟一 seeded 猜测跨上下文重置:工具 FAIL 观察、没验证的 root-cause 笔记、同样断言后面重准入(状态证据 lineage 全丢)。打开 scene 检查 transition 留存什么。看什么:断言 persist,状态与来源观察没 persist——这个区分正是后面的算子看不见的。机制演示,不是 prevalence 断言。

lineage 链:从一工具 FAIL 观察到一没验证的猜测,到重准入的光秃断言(established 事实零);重置处状态丢失。
猜测传播因为重准入时状态 lineage 丢了。构造说明。

在 Context Viewer 里打开 lineage scene

观察、解读与 established 事实

三样东西容易 blur。**观察(observation)**是某次具体互动里环境工具来源报告的东西的记录,比如 FAIL: expected 4, got 5。它是关于世界的证据,不一定 true。**解读(interpretation)**或假设是智能体推断的命题,比如"缓存失效可能坏了"。实验里事实只为 fixture established,即冻结 fixture 规则或 oracle 背书。本章不定通用生产 truth 标准。

观察 ≠ 解读 ≠ established 事实

条目从哪来不定它 true 不 true,producer ≠ truth status:环境产出的条目能错、过时、畸形,智能体写的陈述能对。几个相关区分跟出来:

观察 ≠ 真相
持久化 ≠ 确认
置信度 ≠ 认识状态
自称确认 ≠ 验证确认
决定 ≠ 信念

假设活过五轮 established 程度不变。置信度 0.9 的没验证假设还是没验证假设。跑缓存隔离测试的决定不断言触发它的假设,按假设行动不确认它。确认重要的实验,标准须独立状态写者冻结。工具观察只在 fixture 指定工具结果确立什么时满足那个标准;工具返回文本本身不是确认。

目标计划当前步骤 lifetime 与失效条件不同。目标留存,计划变,步骤完成,完成的步骤不该因为目标还在而现行。

认识继承

后面的算子收到陈述,看不见为什么写、什么支撑、多不确定、什么 contradict。persist 的生成 state 因此要认识继承:断言、状态、支撑证据的 identity 可用性、相关矛盾,变换重准入时须连着。这不要求每证据 payload 驻留,引用 alone 不能当恢复的证据。保留要求是后面的算子读 persist 断言的强度不许超证据 warrant。三样东西分开留存:

断言留存 ≠ 状态留存 ≠ 证据 lineage 留存

[第 11 章](/zh-cn/books/context/11-chapter/)的认识塌陷在变换下把 suspected 变成 established。这里的路线不同:假设 persist,重用时状态 lineage 丢了,当事实读。观测失败一样,无证据的认识加强,机制不同。在场证据引用不是恢复的证据([第 13 章](/zh-cn/books/context/13-chapter/)),恢复的证据不是断言证实,它可能 contradict 断言。状态不是标量置信度。最小 state 只用 fixture 要的分类状态,叫 status 的字段不保证状态正确:state schema ≠ state 语义。

持久化怎么让未来算子犯错

持久化让 earlier 错误后面可能暴露;重准入影响不自动跟。后面的算子能无视、挑战、纠正、作废、强化条目。暴露数成准入条目的调用数,影响要独立行为对比。高暴露创造更多传播机会,没确立影响成比例涨。重准入频率不是重要性,重复准入不把假设升级成证据。

两反馈路造成自强化循环。选择反馈是假设改变智能体选什么行动查询,改变遇到的证据。解读反馈是同样准入证据因为假设在场得出不同结论。两 effect 要不同对比:证据固定研究解读;行动选择放开、记录产出的观察研究选择。假设在后面轨迹出现推不出任何一个。第 14 章拥有条目回不回来;写下永久 pin 是要避的 accidental 政策。

lifecycle、作废与审计

工作 state 要显式办法,valid 矛盾或 closing 证据记录后 superseded 断言不再指导继续。操作是概念的:创建、更新、作废、supersede、关闭。要定义 transition 规则,记录每 transition 影响以前哪条。 “H 错了” 追加在 “H 大概对” 旁边,矛盾保留了,现行哪个断言没认;仅因新句子出现自动作废旧断言同样不安全,新句子没支撑就:

矛盾记录 ≠ 以前 state 作废

作废不是删除。作废条目留在审计历史,声明的 lifecycle 政策下普通现行重准入没资格。审计历史记事件与来源;现行视图是哪些条目当前适用的派生账,不是运行时证明 truth 的陈述。作废本身能错,可能要纠正,transition 证据须可检查:

可变现行 state ≠ append-only 审计历史

state 能轨迹过时:过去描述准确、当前工作不再,比如测试跑完下步还读"跑 migration 测试"。那是协调过时,不是历史 false。世界过时是外部事实变了,归[第 20 章](/zh-cn/books/context/20-chapter/)。

生成 state 不因自己写 persist 获得权威性,第 19 章 adjudicate 先后。任务 specific 假设跨时间 valid 只在它的范围,第 21 章拥有,本章只记录范围 metadata。子智能体的报告压缩有用 work 也引入错误,跨智能体 handoff 不是验证证据。生成的摘要继承[第 11 章](/zh-cn/books/context/11-chapter/)的保留义务。

两种质量

算子按即时输出 judge,也按留给后继的 state judge。评估参照不同:即时答案对当前任务 judge,继续 state 对冻结义务证据 lifecycle transition 检查,再后面调用测:

当前输出质量 ≠ 继续 state 质量

跑答案好 state 差也可能,反过来也可能。继续 state 质量按 fixture 支持的维度度量:要求事实保留、假设还带 qualification、contradict 条目作废、当前计划对当前 state、证据引用 valid、不支持的提拔没有、完成的步骤不现行、下调用接得上。单分数不建。

工程已经在做什么

这些是生成 state persist 复用的 precedents。学术的只有 ReAct、Reflexion 结果,没有一个确立 persist 的 state 安全。

来源 证据类型 验证的模式 本章用 没确立
ReAct(Yao 等,ICLR 2023) 同行评审 生成推理轨迹和行动观察交错;报告 gain 含 ALFWorld 绝对成功 34 点、WebShop 10 点 以前生成 state 加观察 shape 后面行动的轨迹形状 可见轨迹等于隐藏推理,或持久化任何
Reflexion(Shinn 等,2023) 论文;作者 benchmark 结果 反思文本存 episodic 记忆缓冲改善后面 trial;HumanEval 91% pass@1 对 GPT-4 的 80% 生成文本设计成未来输入 persist 的反思错时发生什么;本章另问
Anthropic,“Effective harnesses for long-running agents”(2025 年 11 月) 厂商工程报告 pass/fail 功能清单、progress 文件、init 脚本、git 历史的连续性,每会话从记录 state 开始、更新 state 结束 跨上下文窗口的 deliberate durable 工作 state 因果效果
Anthropic,“Harness design for long-running application development”(2026 年 3 月) 厂商工程报告 planner generator evaluator 经文件通信;作者注 granular upfront spec 的错误下游 cascade;evaluator 对自己模型 work 的宽容要调 生成的计划约束下游 work;智能体写的 judge 不中性 文件 handoff 的测得保真度

多轮对话 degrade 可靠性

Laban 等(2025)在六生成任务、超过 200,000 模拟对话研究 15 个模型。发现作者的平均 39% 相对退化(多轮 vs 完整指定单轮)。退化分解成小 aptitude 损失和显著不可靠增加。模型常常过早尝试解、做不支持的假设、anchor 在自己早答案上。终信息两条件都够;差别是信息怎么到、哪些中间答案进上下文。

研究还测 mitigation 策略:重复 consolidation 早要求有帮助,没完全恢复单轮性能,降温度消不掉多轮可靠性问题。这反对把摘要对话重置当自动解。好的上下文系统须区分当前要求和模型满足那些要求的以前尝试。这些发现 motivate 测显式断言状态、证据 lineage、作废能不能减少过早假设的影响。研究确立多轮可靠性问题,没确立提议补救的效果。

结构化与自由 state

自由叙事笔记保留 nuance,schema 开销小,但模糊状态来源 lifecycle transition。结构化记录那些字段显式,机械可验证,同样模型填的字段还可能错;结构独立确立不了 truth。结构、有界、更新语义是独立变量:结构化 append-only 记录无限长也可能,有界自由笔记也能认真纠正。观测的改善不能 credit 给结构 alone,结构条件还改更新政策就。

提议的实验

这里什么都没跑。下面两 seeded 实验问分开的问题,第二个展示持久化对错误做什么,不展示智能体多久犯一次错:

机制演示 ≠ prevalence 证据

**生态门。**精巧机器前描述真实轨迹:persist 的智能体生成文本多少、重准入频率 lifespan、完成后重复的计划、重现的假设、状态来源在场否、纠正作废事件、重置后重复 work、跨智能体 handoff、现行 token 里 state 占比。真实会话语料是空的。

**实验 A:继续价值。**persist 的可观测生成 state 跨上下文会话边界改善继续吗?fixture 是确定性多阶段任务,强制重置,大多正确中性轨迹,无 seeded 假假设。单位是 fixture,随机重复分开。目标、环境、可观测工具结果、完成标准、重置点、模型、解码、工具冻结。对比无 persist 生成 state;只有环境观察(任务目标指令永远可用);完整可观测轨迹(应用可见消息、行动、工具输出、生成 state,隐藏推理除外);有界自由 state;显式更新作废语义的结构化有界 state;oracle 最小 state。精确定义重置后每条件什么观察还可及,持久化 effect 才不和环境证据丢失搞混。targeted ablation 在一表示里对比 append-only 和替换更新,预算匹配 arm 补充自然尺寸的对比。自由结构 alone 认不出结构 effect,结构条件还暴露 lifecycle 字段。报告任务成功、重复动作、重新发现、恢复步数、准入 token、写管理重准入成本分开、继续 state 质量、过时 state 率、不支持的提拔。

实验 B:错误传播。 plausible 可观测假设 persist 时,状态、证据 lineage、重准入、作废怎么影响它的传播纠正?假设文本冻结:实验研究错误的传播,不研究它自发产生。冻结 ambiguous 证据时间线、假设、可能受影响的行动、更多 ambiguous 证据、decisive 矛盾、继续。写者看不见后面的证据,评估器握完整 fixture。对比:不 persist;persist 不加 qualification;persist 带显式没验证状态与证据引用;decisive 矛盾 tie 的规则作废同样条目;矛盾 mere 追加;oracle state。后面候选池准入政策尽量 hold constant,记录假设引用矛盾何时进每次调用。不然 apparent 状态作废 benefit 可能只是暴露减少。状态、证据、组合 ablation 归因那些成分;负担不起,comparison 标组合机制测试。重置后注入一坏证据引用,测继承[第 13 章](/zh-cn/books/context/13-chapter/)的恢复依赖。

指标分开报告:假设写否、persist 否、候选提否、真准入否,以及后面含它的调用数;状态、证据 identity、矛盾证据留存否,现行记录没新准入证据满足冻结标准就提拔否;匹配反事实条件下后面哪些查询行动变;矛盾后行动和假断言一致否,用 fixture label(基于假设的探索行动不全错)。纠正延迟从 decisive 矛盾智能体可用(不只环境存在)的第一次调用算起。现行 state 纠正和行为纠正分开报告。提到断言不是它导致行动的证据;因果影响要受控删除恢复或别的显式反事实。

评估尽量确定性:状态字段、证据标识、作废、版本、完成步骤。模型 judge 只做语义等价与继续质量,冻结 rubric、条件 blind、分歧记录,fixture 能决定的永不用。

实验 B isolate 不了,加小 lifecycle 实验对比追加矛盾、替换现行条目、保留审计的作废。

**算数的结果。**persist 生成 state 打不赢无 persist state,观察 alone 打平结构化 state,自由 state 打平结构化 state。结构化 state 正确性好,生成管理成本高。显式状态不减少传播。证据引用只在证据还可恢复时帮忙。作废没差别,因为模型本来就跟新矛盾走,append-only 纠正一样好。假 persist 条目通常立刻纠正,真实轨迹跨重置很少 persist 假设。测试 workload 下无 persist state 或只有观察的条件在继续成本上打平生成 state,seeded 假条目不管状态 lineage 作废纠正一样快,实验不支持测试 workload 的精巧生成 state 机器。智能体生成信息和环境观察的区分两种结果都活。

持久化不是记忆

智能体生成的 state 活过产出它的算子,时长 alone 不让它成记忆。它经和其他来源同样的门当候选进来,带 producer、状态、证据引用、版本、supersede 它的东西。第 16 章继承这些,问 persist 的过去 state 何时不再是临时协调 state 而成 durable 记忆,随后还有什么义务。

背后都是一问题。后面的算子收到 earlier 写下的陈述,什么阻止持久化本身被误当证据?答案不是格式。是保留的 producer、状态、证据 lineage、lifecycle,独立写者自己的 label 评估。

persist 的工作 state ≠ 记忆

参考