Agent 设计模式 上下文的三板斧 当任务跨越多个上下文窗口，每个新窗口都会失忆。生产环境中已验证三种策略来应对这个根本挑战，让 Agent 能在长任务中保持连贯和高效。 一句话速览 Compaction、结构化笔记、子 Agent 架构，长任务的三种上下文管理策略 根本挑战
长任务的失忆问题
一个复杂的编程任务可能需要 Agent 执行数十步操作，产生数万 Token 的对话历史。当上下文窗口快满时，系统面临两难选择： Option A： 开启新窗口，但新窗口什么都不记得，Agent 会重复已做过的工作。 Option B： 继续在旧窗口工作，但随着 Token 增多，模型的注意力被稀释，表现下降。 这不是理论问题。Claude Code、Cursor、Devin 这些产品每天都在解决这个问题。
策略一
1
Compaction 上下文压缩
当对话快要触达上下文窗口上限时，用一次 LLM 调用对已有对话做 摘要 ：保留关键信息，丢弃冗余细节，然后在压缩后的上下文上继续工作。
关键决策： 选择什么保留、什么丢弃。这是一个信息论问题：并非所有 Token 都等价，有些信息丢了就无法恢复。
低风险操作： 清理旧的 tool call 结果（比如文件列表、搜索输出），这些通常不影响后续推理。
高风险操作： 丢弃架构决策的推理过程、未解决的 bug 描述，这些如果丢了，Agent 会重蹈覆辙。
Claude Code 的实践： 保留架构决策和未解决的 bug 信息，丢弃冗余的文件内容输出和已完成任务的中间步骤。
实践 Tip 压缩时让 LLM 生成的摘要应该是 结构化的 ，自由文本很难快速定位信息。例如：「已完成：[列表] | 未完成：[列表] | 关键决策：[列表] | 已知问题：[列表]」，这样后续推理可以快速找到需要的信息。
策略二
2
Structured Note-taking 结构化笔记
Agent 在执行过程中 主动将关键信息写到外部文件 ，而不仅仅依赖对话历史。当上下文重置（新窗口）后，从笔记文件读回这些信息来恢复记忆。
核心思想： 把短期记忆（上下文窗口）外化为长期记忆（文件系统），实现跨窗口的信息延续。
Claude Code 的实践： 维护 TODO list 文件，每完成一步就更新，这样即使上下文被压缩或重置，打开 TODO 就知道进度。
Claude 打宝可梦的案例： Agent 维护一个游戏笔记文件，记录地图位置、已获道具、下一步计划。每次新对话开始时先读这个笔记，实现记忆传递。
关键设计： 笔记格式要固定且结构化，不能是自由散文，否则读回来时还要额外 Token 来理解笔记内容。
对比 Compaction Compaction 是压缩旧信息继续用，Note-taking 是把信息存到外面以后取用。前者适合连续工作场景，后者适合 可能被中断或需要跨 session 延续 的场景。两者可以组合使用。
策略三
3
Sub-agent Architecture 子 Agent 架构
主 Agent 把需要深入探索的子任务 委派给子 Agent 。子 Agent 在自己独立的上下文窗口中工作（可能消耗数万 Token），最终只返回一个 精炼的摘要 （1000-2000 Token）给主 Agent。
核心价值： 关注点分离 + 上下文隔离。子 Agent 的工作草稿不会污染主 Agent 的上下文。
Token 经济： 一个子 Agent 可能在内部消耗 30,000 Token 来读代码、分析依赖、做推理，但只向上���告 1,500 Token 的结论。主 Agent 的上下文保持精简。
并行优势： 多个子 Agent 可以同时工作，各自探索不同方向，最后由主 Agent 整合。这比单一 Agent 串行探索快得多。
真实应用： Cursor 的 background agent、Claude Code 的 Task tool，都是子 Agent 架构的体现。
类比 想象一个 CEO（主 Agent）让 3 个部门经理（子 Agent）分别调研竞品、分析市场、评估技术。每个经理可能花了一周（大量 Token），但汇报给 CEO 的只是一页 PPT（精炼摘要）。CEO 的认知带宽始终保持在战略层面。
JIT Context vs 预加载
预加载（Preloading）
在对话开始时就把信息塞进上下文
CLAUDE.md / Rules 文件直接载入 用户偏好、项目配置 高频使用的上下文信息 优点：即时可用，无需额外调用 缺点：每次都占 Token，不管用不用得到
JIT（Just-In-Time 按需获取）
只在需要时才检索信息到上下文
用 glob/grep 按需搜索文件 用 RAG 检索相关文档 调用 API 获取实时数据 优点：上下文保持精简，只含当前需要的 缺点：多一次工具调用的延迟
最佳实践：混合策略
高频信息预加载 （项目约定、核心规则、用户偏好）+ 长尾信息按需获取 （具体文件内容、API 文档、历史记录）。 类比浏览器缓存策略：热数据放内存缓存（预加载），冷数据放磁盘或网络获取（JIT）。目标是让上下文的命中率最大化：大多数推理所需的信息已经在窗口里，偶尔需要的才动态获取。
三种策略对比
策略 核心思想 适用场景 代表产品
Compaction 压缩旧上下文，保留关键信息继续 连续长对话，不会被中断 Claude Code auto-compact
Note-taking 主动写笔记到外部，跨窗口读回 可能中断、需跨 session 延续 Claude Code TODO、Cursor Rules
Sub-agent 子 Agent 深入探索，只回传摘要 需要深度探索但不想污染主上下文 Cursor Task、Claude Code spawn
长任务的本质挑战是有限的注意力窗口 vs 无限增长的信息量。 压缩、笔记、子 Agent 三板斧，分别解决三个问题：在窗口内保持精简、跨窗口传递记忆、隔离深度探索的噪声。三者组合使用，才能让 Agent 在复杂长任务中保持高效。