Agentic AI系统中的上下文工程与记忆工程

在Agentic AI系统中，随着工作流程和多会话用例的复杂化，常见的问题包括约束在任务中途丢失、检索到的信息在不该出现时重现、以及前一步的上下文污染当前步骤。这些失败通常难以定位，因为没有任何单一组件明显出错。多数情况下，问题源于两个常被混淆或忽视的领域：上下文工程（Context Engineering）和记忆工程（Memory Engineering）。它们相互关联但本质不同，各自以不同方式失败，需要不同的系统来完善。

上下文工程涉及单次推理调用的设计：包含哪些信息、如何压缩、如何放置、以及舍弃什么。所有信息都是临时的，调用结束后上下文窗口即清空。具体决策包括选择性包含（并非所有可用信息都应进入上下文，数据库返回的数百行或完整网页可能增加噪音）、结构化放置（模型对长上下文开头和结尾的内容关注更强，中间部分容易被忽略，即“迷失在中间”效应）、以及到达即压缩（工具输出应在返回后立即压缩，而非等待窗口填满后再截断）。对话历史管理也需要定期压缩策略，如滚动窗口或分层摘要。

记忆工程则关注超越单次交互的持久化。它涵盖四个关键方面：写入策略设计（明确触发写入的事件、符合存储条件的信息、存储格式、置信度要求、写入权限、更新规则和过期策略）、存储层选择（不同类型记忆匹配不同后端：工作记忆用内存或短期KV存储，情景记忆用向量数据库，语义记忆用向量或混合存储，程序记忆用结构化存储或指令注入）、检索策略（先查工作记忆，再语义搜索，应用元数据过滤，只注入当前步骤所需）、以及记忆维护（置信度衰减、去重、TTL过期、旧情景记录压缩）。

上下文工程和记忆工程在检索边界交汇。记忆系统产出候选信息，上下文组装决定是否纳入提示、纳入多少、以及如何放置。管理好这一边界能将记忆组件转化为连贯的Agent行为。两个常见失败模式是：检索信息中混入过时或低相关度内容，以及检索信息放置不当导致模型未有效利用。理解两者的差异与协同，是构建可靠Agent系统的关键。