AI 智能体上下文治理实践指南
AI 总结
文章提出了一套智能体上下文治理流程：每次调用模型前，从有效任务、获准材料和真实执行记录构建当前工作视图。指南区分稳定的系统指导与动态任务材料，并讨论记忆准入、工具结果版本与覆盖、用户修正、持久化回执、工作进度，以及可选的上下文压缩或子代理。文章中的 ETF 基金研究场景、输入别名和代码示例明确用于教学，并非生产接口或实际运行记录。
深度见解
该指南为智能体开发者提供了一套可核验的检查框架，用于确认指令、记忆、工具、进度和执行事实在各次交接中仍然有效且表达准确。文章还建议将任务质量与模型调用次数、Token、延迟和失败类型等机制成本一并比较。
一个 Agent 需要知道目标、当前依据、行动边界、历史入口、未知信息的取得路径，以及离完成还差什么。但这些要求不会自己变成一份好的模型输入。
真正落地时，要回答更具体的问题：系统提示词里写什么？记忆在什么时候读？工具返回了一大张表，要不要每轮都带着？用户更新了条件，哪些材料继续有效？模型说“记住了”，我们如何知道真的保存了？
实现的主线，是在每次调用模型之前，从有效任务、获准材料和真实执行记录中构建当前工作视图；行动以后，再让新的观察和变更进入下一轮。 系统提示词提供稳定指导，记忆形成跨任务积累，工具结果与进度支撑当下推进。它们不是一个不断增长的字符串。
下面沿一个教学任务展开：用户比较基金 A、B 的费用与持仓重叠，要求结合上传的个人持仓生成带依据的报告，不执行调仓；研究中途上传新持仓，并明确要求以后基金研究报告不要默认压成短答。场景、输入别名和代码示例均用于教学，不是生产接口或一条实际运行记录。项目经验来自 ETF Agent 的已有实现与文章，不能将全文当作公开教学仓库的完整功能清单。