上下文、记忆与可恢复状态

学完能做什么

你会区分当前上下文、短期记忆、长期记忆和运行状态，能设计一份既可恢复又不过度收集数据的任务记录，并避免把全部历史对话无限塞回模型。

四个概念解决不同问题

把四者都做成“聊天记录”会导致成本上涨、信息冲突、隐私扩大和难以恢复。

上下文要按需组装

每次调用前，从不同来源选出最小必要信息：

系统规则
+ 当前任务与验收条件
+ 最近的关键步骤
+ 当前工具结果
+ 检索到的少量材料
+ 用户已确认的约束
= 本次模型上下文

旧工具原始输出、重复寒暄和已经失效的计划不应默认保留。重要事实用结构化字段保存，避免依赖模型从长对话里重新猜。

为任务建立可恢复快照

{
  "task_id": "task_20260819_001",
  "status": "WAITING_CONFIRMATION",
  "step": 4,
  "objective": "生成周报草稿",
  "constraints": ["只使用已批准材料", "不得自动发送"],
  "completed_actions": [
    {"tool": "search_docs", "result_ref": "result_31"}
  ],
  "pending_action": {
    "tool": "save_draft",
    "arguments_hash": "sha256:..."
  },
  "budgets": {"steps_left": 4, "model_calls_left": 2},
  "updated_at": "2026-08-19T08:30:00Z",
  "version": 3
}

原始大结果存到受控对象存储，状态只保存引用、摘要和校验值。恢复时重新校验权限和数据版本，不直接执行旧的待处理动作。

摘要不是事实数据库

对话变长时可以摘要，但摘要会遗漏或改写细节。稳妥做法是分层：

• 任务目标、约束、决策和确认保留结构化原文；
• 普通过程压缩成滚动摘要；
• 工具结果保留不可变引用和内容哈希；
• 摘要记录来源步骤和生成版本；
• 关键动作前回看原始证据，不只信摘要。

长期记忆需要明确写入规则

适合保存的通常是用户主动确认的稳定偏好，例如语言、日期格式或长期项目术语。不适合自动记住临时情绪、一次性密码、未经确认的推断和敏感身份信息。

每条长期记忆至少应有：

内容 + 来源 + 创建时间 + 适用范围 + 置信状态 + 到期时间 + 删除方式

用户应能查看、修改和删除。系统也要有自动过期和组织保留策略。

处理并发和重复恢复

同一任务可能被两个工作进程同时恢复。使用版本号或租约避免重复执行：

snapshot = store.load(task_id)

if snapshot.version != expected_version:
    raise ConcurrentUpdate("任务已被其他执行器更新")

store.compare_and_swap(
    task_id=task_id,
    expected_version=snapshot.version,
    next_state=updated_snapshot,
)

有副作用的工具仍要使用幂等键。状态锁只能减少并发，不足以覆盖网络超时后的未知结果。

恢复前重新确认现实世界

暂停期间，文件可能被修改、用户权限可能被撤销、余额可能变化。恢复时检查：

• 当前身份和授权是否仍有效；
• 输入材料的版本或哈希是否变化；
• 待执行参数是否仍与用户确认的一致；
• 幂等键是否已有成功结果；
• 时间、成本和步骤预算是否仍充足。

如果关键条件改变，回到等待确认，而不是沿用旧批准。

数据最小化与删除

在设计表结构时同时设计删除路径：

• 把身份信息与任务内容分开，便于按用户删除；
• 敏感字段加密并限制查询角色；
• 日志只保存必要摘要；
• 临时工具结果设置短期过期；
• 备份遵循同样的保留和删除策略；
• 训练、分析等其他用途必须单独说明和授权。

状态设计练习

为“用户上传材料后生成合同检查清单”设计：

1. 本次模型上下文必须包含什么？
2. 哪些内容留在任务短期记忆？
3. 哪些信息绝不能成为长期记忆？
4. 在等待用户确认时保存哪些恢复字段？
5. 文件变化或权限撤销后如何处理？
6. 任务结束 30 天后删除哪些数据？

完成检查清单

• 上下文、短期记忆、长期记忆和运行状态已分开。
• 关键目标、约束、确认和结果使用结构化记录。
• 恢复时会重新校验权限、版本和幂等结果。
• 长期记忆有来源、范围、过期和用户删除入口。
• 日志、临时结果和备份都有数据保留策略。

下一步

下一篇将把检索和引用接入 Agent，让模型在受控材料范围内回答，并能追溯每条关键结论。