企业官网建设流程全解析

Agent 长任务中上下文窗口溢出导致任务中断——技术复盘

问题现象

在 autoglm-browser-agent 执行超长任务（搜索+浏览+交互超过 20 步）时，偶尔会出现：

• 任务执行到后半段突然中断，报 token 超限
• 中间步骤的工具返回结果被截断，后续决策依赖不完整信息导致行为偏差
• INTERACT_REQUIRED 续接后，task 内容丢失，agent 变成"盲飞"

排查过程

1. 量化 token 消耗：观察一个典型搜索任务的上下文增长曲线，发现步骤 10 之后 token 增速明显加快
2. 定位膨胀源：逐步骤分析，发现 80% 以上的上下文被工具调用历史占据，其中：
   • 网页全文抓取结果（单次可达 5k-20k token）
   • 截图 base64（单张可达 2k-8k token）
   • 重复的工具返回元信息（step ID、thinking 日志）
3. 对比测试：同一任务分别走 browser-agent 和手动执行，手动只需保留关键摘要，而 agent 保留了所有原始输出

根因

Agent 系统缺少分层上下文压缩机制：

• 所有工具返回结果无差别地塞入上下文窗口
• 没有滑动窗口/摘要策略，旧步骤的冗余信息持续占用空间
• 关键信息（用户原始指令）和非关键信息（中间日志）在同等权重下竞争 token，一旦 total 超限，最先被截断的往往是末尾的最新信息——导致 agent 决策链断裂

解决方案（分层递进）

复盘总结

核心教训：上下文窗口不是无限资源，而是 Agent 系统的"工作记忆"。像人一样，agent 需要在执行长任务时主动"记笔记"（中间摘要）而不是"死记硬背"（保留所有原始输出）。

可迁移的实践：

• 写 agent prompt 时，尽早明确"只保留关键信息，每步结果压缩为 1-2 行要点"的输出规范
• 工具设计上，提供两种返回模式：full（人类调试用）和 summary（agent 上下文用）
• 在 agent 编排层增加上下文监控，达到阈值主动触发压缩而非等报错

#Agent #技术复盘 #AI工程 #上下文管理 #Agent架构