上下文清理是怎么做的？该丢就丢

AI 智能体的长任务跑到一半开始变笨，多半该给上下文减负了。清理的要点是次序：什么必须留、什么可以摘成摘要、什么直接丢，一步都不能乱。这篇把优先级与替换细节讲清。

该丢就丢：清理的基本原则

清理的目标并非越短越好，而是在有限空间里保留对后续决策最有用的信息。三条原则排个序：任务约定与用户要求最优先，删了会跑偏；已完成的中间过程次之，留结论即可；原始大材料最后，通常摘要化或外移。任何一步清理动作，都要能回答「为什么它值得留下」，答不上来的删除就是在赌运气。

什么留下、什么先丢

留下的是「将来还要用」的：任务目标、关键决定、用户偏好、尚未执行的计划。先丢的是「只服务过去」的：已经处理完的报错、被推翻的旧方案、重复的示例。模糊地带是大段原始材料——现在的对话用不上，但说不准后面要引用，处理办法是移出窗口存档，留一个引用路标，需要时再取回，存档机制见长任务的状态是怎么保存的。

三类内容的去留，按「将来还要不要用」分得很清楚：

摘要替换与原样归档

摘要替换并非简单删减，而是把几十轮对话压成一页纪要：保留结论、悬而未决的问题和关键数字，丢掉措辞与过程。DeepSeek 与智谱清言的长对话里都能手动触发这类整理，效果立竿见影。压完接着做一次自检——拿着纪要问「接下来的下一步是什么」，答得上来才算合格。原样归档的部分则进入外部存储，与检查点放在一起管理，恢复任务时一并加载。

清理之后模型还认得路吗

合理的清理不会让它迷路，因为任务的主线信息被显式保留或写进了纪要。会迷路的清理只有两种：把任务约定当成了闲聊删掉，或摘要时丢了关键数字。所以清理后通常跑一个轻量核对：让模型复述当前目标与下一步，对得上就继续，对不上就从归档里补回。膨胀的预防则要靠入口把关，见Agent 的上下文膨胀是怎么发生的，两边配合才周全。

清理自查清单：任务约定是否原样保留；关键数字是否进了纪要；外移材料是否留了引用路标；清理后是否做过复述核对。四条都过，瘦身不减智力。

最后强调一个观念：清理是保留的艺术，删得狠不如留得准。窗口腾出来的每一寸，都该花在还会被用到的信息上——这是长任务保持状态稳定的成本最低的手段。

清理时机的选择与冷启动

清理时机有三个天然节点：一个大阶段刚收尾时，中间产物最没价值，删起来最放心；换话题或换材料时，旧内容大概率不再被引用；窗口占用逼近预算线时，被动但必要。要避开任务约定刚成立的时段——那时模型对边界的理解最浅，清理动作容易误伤关键前提。清理后还有一个冷启动问题：被摘掉的细节如果突然又要用，模型要重新读一遍归档，这里会有一段短暂的质量回落，属于正常现象，只要引用路标准确，回落很快过去。判断：宁可提前在阶段末尾清，也别等到回答开始跑偏才清。团队里还可以沉淀一份清理模板：哪些内容默认留、哪些默认摘要、哪些默认外移，新任务直接套用，清理质量不再取决于当次操作的随手程度。模板本身也要定期回顾，按任务类型的实际效果增删条目。

关于上下文清理再多问三句

• 清理应该自动做还是手动做？：高频长任务适合设定阈值自动做，偶尔跑一次的手动整理更稳妥。
• 清理会影响正在等待的任务吗？：不会，清理安排在步骤间隙执行，进行中的调用不受影响。
• 工具说明书能清理吗？：挂载的工具越少窗口越清爽，用不上的可以先卸载，见工具描述是怎么影响选择的。