2026 年，我依然视我的上下文如黄金

为什么现在的模型已经有上百万 Token 的上下文，还是会跑偏、抓不住重点？

首先模型上下文确实越来越高了，但我的建议反而是：

无论模型能接受多少上下文，能少给 AI 的东西，就别多给。

因为装得下，不等于用得好。你可以把上下文理解成开会时摆在桌上的材料。桌上只有开会的核心议题和文件，大家很快就能进入正题。如果把公司十年的档案全搬进会议室，资料确实多了，但这个会大概率开不好。

AI 也是一样。你把项目文件、聊天记录和执行日志一股脑塞给它，它就更容易漏掉真正重要的信息。

这不是猜测。Anthropic 在官方文章里也提到：上下文变长以后，模型准确找到并使用其中信息的能力通常会下降。他们把这种现象叫「Context Rot 上下文腐化」。到了 Agent 时代，真正稀缺的已经不是上下文窗口，而是高质量的上下文。

前段时间为了研究 Agent，自己从头写了一个。拆完里面各种 Harness 的实现以后，我发现一个很有意思的事情：

Agent Harness 很大一部分工作，其实就是上下文管理。

不断决定：什么东西现在应该上桌，什么东西应该下桌。

比如 Skill，Agent 不会把所有 Skill 的完整内容永远塞在上下文里，而是先知道自己有哪些能力，真正需要的时候再加载对应 Skill。

再比如子 Agent，是另开一张工作台。让它在独立的上下文里搜索几百个网页、做事情，最后汇报给主 Agent，主 Agent 只需要知道结论，多的你不要给我讲。

细看很多设计都是同一个逻辑，都是在解决：怎么样让模型保持最核心有用的上下文。

那既然 Agent 自己会管理上下文，我们还需要管理吗？一定需要。因为只有你最了解你的任务需要什么信息，Agent 不可能完全替你做好上下文管理，因为它不知道哪些信息对你来说才是真正不能丢的。 平台可以帮你压缩、检索、裁剪，但这些操作本身都有信息损失的风险。我们自己也得主动管理这张桌子。

给你几个马上能用的习惯。

第一，一个对话只处理一个主题。 任务已经变了，就开新对话。不要因为舍不得前面的聊天记录，把完全不同的事情硬塞在一起。

第二，如果真的是有前后依赖的长任务，每完成一个阶段，就让 AI 做一次压缩总结。 运行一次 compact；如果任务已经变了，直接 /clear 清空上下文。真正值得带到下一阶段的，通常只有四样：任务目标、重要限制、已经确认的结论、接下来做什么。

第三，把资料搜集和独立评审交给子智能体。 如果是一个比较复杂的任务，先明确让你的 Agent 拆解任务，判断哪些可以用子 Agent。比如调研只是其中的一环，那一定要用 Subagent，不把这些资料塞到上下文里，很容易影响任务后面和调研没关系的环节；另外评审这种工作也要用 Subagent，因为模型自己给自己做的东西打分一般会打得很高，子 Agent 是清空上下文运行的，直接失忆，看不到你之前的设计思路。一句话总结就是 主 Agent 做判断，Subagent 做脏活。

第四，大量资料按需加载，不要让 Agent 一次性读所有文件。 我发现这是很多人会犯的问题，一次性让它把你所有文件都读了，如果你项目空间很大，后面每个问题的幻觉率都会变高。更好的方式是让它先理解你项目空间的目录结构，再根据问题判断需要读哪些文件。

真正会用 AI 的人，不是最会往里塞东西的人，而是最清楚什么不该进来的人。