核心任务：掌握确定性逻辑与概率模型的边界
在AGNTCon发表的“上下文失效与修复”演讲中，作者深入探讨了上下文工程的现状与未来。随着模型能力迭代，开发者在追求新特性的同时引入了新挑战，系统构建者需正视这些由模型非人性特质引发的独特失效模式。
长上下文的幻象与失效模式
回溯至2024年底，“RAG已死”论调盛行，业界曾寄望于通过百万级甚至千万级Token的上下文窗口（如Gemini 1.5及Llama 4 Scout）囊括全部信息以解决AI问题。然而，长上下文并非万能药，反而引发了四种关键失效模式：
- 上下文中毒（Context Poisoning）：错误事实或幻觉混入上下文，导致模型无法摆脱干扰。例如，Gemini 2.5在玩《宝可梦红》时，因权重记忆中《火红版》的“冰茶”任务污染上下文，耗时数小时寻找不存在的物品。
- 上下文分心（Context Distraction）：过长的上下文使模型关注近期示例而非基础指令。研究显示，当矛盾示例增加时，包括Opus 4.6在内的模型遵循原始指令的比例显著下降；Gemini 2.5在上下文超过10万Token后，倾向于重复历史动作而非制定新计划。
- 上下文混淆（Context Confusion）：无关信息以隐蔽方式影响模型判断，如模型对用户身份产生错误假设。
- 上下文冲突（Context Clash）：工具调用、技能及记忆功能在系统中相互冲突，加剧混乱。
六大修复工具箱与系统工程实践
应对上述挑战，业界已形成一套核心工具箱，并逐渐从“提示工程”向自动化的“上下文工程”及确定性的“系统工程”演进：
- 上下文增强：通过RAG等方式引入相关信息。
- 工具负载管理：过滤非必要工具，避免模型过载。例如，某企业智能体因加载600个技能导致性能下降，经筛选后恢复。
- 上下文隔离：使用子代理或对等代理，以空白历史记录启动。
- 上下文修剪：剔除非必要的历史轮次或工具结果。
- 上下文卸载：将信息存储于外部环境中供后续访问。
- 上下文摘要：对历史记录进行压缩，或在压缩前利用小模型（如Jev）筛选重要信息。
基于DSPy框架，仅需约16行代码即可集成上述修复方案，实现智能体的循环优化。
2026年新趋势：代理模型与新失效模式
进入2026年，焦点转向长周期代理模型。GPT-5、Gemini 3.1及Opus 4.6已能处理数小时至数天的任务。然而，训练模型驱动系统也带来了新的失效模式：
- 对抗权重（Fighting the Weights）：模型过度拟合特定训练环境，表现出与当前需求相悖的行为偏见。例如，Claude Code需在提示词中反复强调并行处理，以克服模型训练形成的串行行为惯性。
- 上下文惯性（Context Inertia）：模型过度聚焦于某一子任务或假设，即便无效仍持续执行。Anthropic的Memento系统及微软研究院的
研究均表明，定期清除上下文但保留环境成果，能显著提升性能并打破僵局。
展望2027：记忆冲突与战略性遗忘
随着个人智能体（如Hermes、OpenClaw）长期运行，技能与记忆的积累将导致指令冲突和方案恶化。未来的核心挑战在于如何实现“战略性遗忘”，以解决随时间推移而日益复杂的记忆混乱问题。
综上，AI输出是模型权重与上下文的产物。构建智能系统的关键，在于通过确定性代码与概率性模型的合理分工，向正确的模型提供正确的上下文。在模型能力提升的同时，系统必须进化以更精准地管理上下文，平衡信息摄入与噪声控制。