生产环境里，AI Agent的崩溃很少源于推理能力不足。前沿模型在单步思考上已经足够锋利，真正让试点项目死在“上线门槛”前的，往往是上下文窗口里那些不断堆积的对话历史、工具定义和膨胀的输出。会话每多一轮，输入Token就多一份，成本按二次方爬升；同时关键事实在“lost in the middle”中悄悄消失，跨会话甚至跨用户的矛盾开始出现。行业习惯把这叫“Memory问题”，然后砸向量库和检索管道。但这种 framing 本身就窄了。

我起初也觉得，把事实存进可靠的store、再在需要时捞回来，就足以支撑长对话。后来对着生产日志和成本曲线看下去，才发现：真正决定Agent能否稳定跑起来的，不是“存”和“取”这两个动作，而是一整条从决定“记什么”、到“怎么压缩而不丢关键信息”的完整生命周期。Gaurav Dadhich在2026年7月的arXiv论文里把这套纪律命名为Agentic Context Management（ACM），并拆成五个原语。它不是又一个memory插件，而是把上下文当成可管理的系统资源。

把Agent上下文当成操作系统里的进程内存来想：你不会无限往物理内存里塞页面，也不会随便swap而不检查一致性。同样，Agent需要主动决定什么值得留、以什么结构留、在什么范围可见、提前预取什么、以及如何在预算内压缩而不牺牲后续推理。

二次方账单与准确率悬崖的真实交易

先看数字。假设每轮对话新增约( t )个Token（用户消息+助手回复），会话跑到( n )轮。天真的“全量追加”——每轮把整段历史再塞进prompt——会让第( k )轮的输入大约是( k \cdot t ) Token。累计输入Token变成：

$$C_{\text{append}}=\sum _{k=1}^{n}kt\approx \frac{t}{2}{n}^2=O(n^2)$$

提供商按输入Token计费，成本直接二次方增长。如果把每轮上下文硬限制在固定预算( W )，累计就变成线性( O(n) )。两者比值大约是( \frac{t(n+1)}{2W} )。取( t=500 )、( W=4000 )，100轮时已经是约6倍，200轮时接近13倍。长会话不是“贵一点”，而是指数级惩罚。

粗暴摘要能把成本压回线性，但准确率会摔悬崖。有记录显示，把18282 Token一次压到122 Token，任务准确率从66.7%掉到57.1%，比完全没有上下文还差。摘要器不知道下游真正需要什么，就默默丢掉了关键桥梁。

真正有用的位置在“线性成本 + 可验证保真”的象限。这要求压缩本身是可验证操作：压缩前后，关键事实必须能被重新召回，系统给出验证分数和压缩比，低于阈值就自动重试更温和的策略。压缩还必须按类别感知——架构事先规定哪些必须原文保留、哪些可以抽象。

五个原语如何把生命周期跑起来

ACM把管理拆成五个必须同时存在的决策点，而不是事后补丁。

• Architecting：在存任何东西之前，先为这个Agent生成专属记忆架构。哪些类别重要、如何抽取、住在什么store、存活多久、如何检索和压缩——这些不是通用schema能回答的。固定schema会把“用户4月3日从Starter升到Pro”压成“用户提到过定价计划”，后续永远捞不回来。

• Ingesting：原始信号（对话轮次、多模态上传、工具调用及返回）必须变成结构化、可检索的记忆。检索质量被抽取质量硬封顶。实体解析、类别抽取、规范形式解析，都在这里完成。异步管道保证写入不阻塞当前回合。

• Scoping：在组织层级上做隔离与共享。用户→客户→租户的窄优先范围，严格隔离防止泄漏，同时允许组织级知识在合规前提下形成网络效应。provenance标签保证来源可追溯。

• Anticipating：Agent不知道自己不知道什么。系统观察行为模式，提前把下一轮可能需要的上下文准备好，把检索移出关键路径。生产中命中率可以超过60%，对低延迟场景（语音Agent）尤其关键。

• Compacting & Consolidation：当相关上下文超出模型能有效使用的预算时，进行可验证压缩与巩固。验证机制检查信息损失，类别感知策略由架构决定，过期信息在保留provenance的前提下被遗忘。

这五个原语不是流水线上的独立模块，而是围绕“当前该持有什么”的持续决策环。它们同时覆盖单用户会话和组织级范围。

混合检索与 sufficiency 的缺口

即便有了生命周期，检索本身仍有陷阱。单纯向量或单纯关键词都有盲区。在五个领域的对照实验里（CodeXGLUE、MS MARCO、SQuAD、HotpotQA、SciQ），向量在语义鸿沟大的场景（自然语言查代码）明显领先，关键词在实体精确匹配场景（科学QA里的“mitochondria”）更稳。索引时向量还要付60–100倍的“embedding税”。更深层的问题是：现有benchmark大多只测“命中了相关文档”，几乎不测“是否凑齐了完成推理所需的全部桥梁文档”。这就是reasoning sufficiency缺口。

因此实践中需要混合信号（关键词+向量+图），再配合结构化抽取和scope-aware组装。图结构额外保留关系与provenance，单纯向量很容易丢掉。

参考实现里的权衡矩阵

Maximem Synap把上述原语落地成多租户服务，支持Python/JS SDK、异步写入、polyglot存储（向量、图、关系）。在公开配置下，LongMemEval达到92%（500题中460题正确，单会话接近满分，多会话75.2%），LoCoMo（类别1–4）达到93.2%。这些数字说明：当生命周期被完整管理时，长对话准确率可以稳住，而不是随长度崩塌。

下面这张表把三种常见策略放在同一坐标系里对比：

表中的“可验证”不是营销词：每次压缩都会跑信息损失测试，分数和压缩比被记录，低于阈值就回退。这直接对应了经济论证里“线性成本+保真”的目标象限。

把这套东西嵌进现有Agent框架（LangGraph、LangChain等）时，它不替代checkpoint，而是补上跨线程、跨会话的持久上下文层。写入立刻返回ingestion ID，检索支持低延迟模式和高准确模式切换。

现有Benchmark看不到的维度

LongMemEval和LoCoMo已经比早期memory测试更贴近真实，但它们仍主要看准确率。生产真正关心的还有延迟（anticipatory能否把P50压到十几毫秒）、Token效率（同样准确率下实际消耗多少）、以及context-rot抵抗力（会话拉到几十万Token后准确率是否平滑下降）。更远的前沿是决策级上下文（记住“为什么做了这个选择”而不仅是结果）和组织级上下文（跨用户、跨团队的因果与规范化）。这些会决定Agent在严肃业务里能不能真正变成稳定资产，而不是持续烧钱的demo。

对负责落地的架构师来说，现在最该问的不是“我们用了哪个向量库”，而是：我们的系统有没有显式的architecting步骤？压缩是否可验证？组织范围有没有被严格执行？anticipatory有没有真正移出关键路径？

如果你正在把Agent从试点往生产推，可以先量一下自己系统的累计Token曲线：是二次方还是接近线性？准确率随会话长度是怎么掉的？这两个数字比任何benchmark分数都更能告诉你，当前方案离完整生命周期还有多远。

我是紫微AI，在做一个「人格操作系统（ZPF）」。后面会持续分享AI Agent和系统实验。感兴趣可以关注，我们下期见。