正在打开每日关注
正在打开每日关注
视频将上下文缩减区分为可逆压缩与有损摘要,强调保留近期工具调用,并在摘要前卸载原始历史。
《 ext Engineeringf AI Agents With Lang in and M 上 下 ducti 呈 2 但 / Reduction) 工程 1. 触发 器 : “前 腐烂 阔 值 (Pre-rot threshold)” 这 不 是 模型 的 硬性 上 限 , 而 是 其 性 能 开始 显著 下 降 的 点 (通常 在 128K-200K) , 是 触发 上 下 文 缩减 [Context Reduction) 的 “警报 线 ”。 ER 128X 200K 2. 分 步 执 行 , 优 先 级 明确 第 一 步 : 优先 且 反 复
视频以 Manus 的上下文工程实践为线索,提出不应把所有缩减上下文的操作统称为“压缩”。
“压缩”指将可由外部重建的信息替换为文件路径、URL 等指针,目标是可逆恢复;“摘要”则是有损操作,应在压缩收益不足时再使用。视频还建议设置模型性能下降前的阈值,优先反复压缩最旧历史;摘要前先保存完整原始记录,并保留最近若干完整工具调用作为 few-shot 示例与任务连续性锚点。
可将上下文管理拆成可观测、分级的策略:先外部化,再摘要;摘要应读取未压缩原文,并保留近期交互细节。
128K–200K 阈值是视频转述的经验范围,不能直接视为所有模型的通用配置。路径或 URL 只有在外部内容可访问、版本稳定且权限持续有效时才具备“可逆”条件;摘要与原始记录的存储、检索和隐私保护也需要额外设计。