AI Agent / 系统课时

裁剪对话历史

裁剪对话历史

本篇解决智能体运行时间增长后上下文不断膨胀的问题,最终实现一种保留关键状态、压缩重复信息并控制上下文长度的方法,让模型持续执行任务时仍保持准确理解。

学习目标

  • 理解为什么智能体需要裁剪历史消息
  • 掌握摘要、删除和状态提取等裁剪策略
  • 能够设计基础历史压缩流程

为什么需要裁剪历史

对话历史记录了智能体过去的思考、工具调用和结果,但并不是所有内容都需要永久保留。随着任务步骤增加,完整历史会占用越来越多上下文空间,也会降低模型关注当前目标的能力。

历史裁剪的核心不是简单删除旧消息,而是在有限窗口内保留对未来决策有帮助的信息。

常见历史裁剪策略

实际系统通常组合使用以下方法:

策略 做法 适用场景
滑动窗口 保留最近若干轮消息 连续对话
摘要压缩 将旧历史总结成状态 长任务执行
状态提取 保存关键变量和结论 工具型 Agent
重复过滤 删除相同或无效信息 高频交互

其中摘要压缩通常效果最好,因为它可以减少长度,同时保留任务进展。

实现一个简单历史裁剪器

下面示例根据最大消息数量保留最近记录,并将旧内容转换为摘要状态。实际项目中摘要生成通常由模型完成。

python
class HistoryCompressor:
    def __init__(self, max_messages: int):
        self.max_messages = max_messages

    def compress(self, messages: list[str]) -> list[str]:
        if len(messages) <= self.max_messages:
            return messages

        old_messages = messages[:-self.max_messages]
        recent_messages = messages[-self.max_messages:]
        summary = self.summarize(old_messages)
        return [f"历史摘要: {summary}"] + recent_messages

    def summarize(self, messages: list[str]) -> str:
        return "; ".join(messages[:2])

预期输出

text
输入消息数量: 6
保留最近消息数量: 3
输出:
历史摘要: 用户需求确认; 完成代码分析
最近步骤1
最近步骤2
最近步骤3

裁剪时需要保留什么

历史裁剪应优先保留影响后续决策的信息,例如:

  • 当前任务目标和未完成事项
  • 已确认的约束条件
  • 工具执行的重要结果
  • 已产生的关键结论

相反,重复解释、已经解决的问题、过期尝试过程通常可以压缩或删除。

避免错误裁剪

过度裁剪会导致智能体失去上下文。例如删除工具调用结果可能让 Agent 重复执行相同操作,删除约束条件可能导致后续步骤违反规则。

因此,生产系统通常会把历史拆分为消息记录和状态存储两部分:消息负责交流过程,状态负责保存长期有效信息。

本课总结

  • 历史裁剪的目标是在有限上下文中保留最大决策价值。
  • 摘要、窗口控制和状态提取是常用的组合策略。
  • 裁剪规则需要保护任务目标、约束和关键执行结果。

下一课预告

下一课将继续介绍上下文工程中的状态管理方法,学习如何让智能体在长流程任务中保持连续性。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

裁剪对话历史

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通