Agent 长任务上下文工程解析：预算控制、压缩、todo-state 与记忆

长任务 Agent 最经典的两个死法：一是上下文溢出，装不下了；二是跑到一半忘了最初要干嘛。这篇解析把对抗这两大顽疾的工程套路拆成四件套——预算控制、压缩、todo-state 和记忆，讲清它们怎么配合，而不是各自为战。

预算控制是第一道防线。思路很简单：给每次执行划一个 token 上限，超了就触发回收，而不是等模型自己撑爆。它解决的是「无节制生长」，让长任务在有限窗口里必须做取舍。但光有预算不够，因为砍掉什么、保留什么才是学问，这就引出了压缩。

压缩是把「已经发生的事」提炼成「还用得上的事」。原始对话全留太贵，全丢又丢目标，折中做法是分层：近期细节保留，远期摘要化，关键决策做成结构化笔记。好的压缩不是删字，而是把信息降维成模型后续仍能调用的形式。很多 Agent 翻车，正是因为压缩时把「为什么这么做」压没了，只留下「做了什么」，导致后续逻辑断裂。

todo-state 是给 Agent 装的一张任务清单。它把「我要去哪」从模型的隐式记忆里拽出来，变成显式、可检查、可回退的状态。每完成一步就划掉、卡住就标记，协调者一看就知道进度。这招对多步、易偏的任务尤其灵，因为它把「目标」外置了，模型不再全靠注意力硬撑。很多框架的 todo 模块看着简单，却是长任务不跑偏的定海神针。

记忆则是跨会话的延续。短期靠上下文，长期得靠外部存储——把用户偏好、历史结论、领域知识写进可检索的记忆层，下次直接调，而不是每次从零聊。预算、压缩、todo、记忆四者联动：预算逼你做减法，压缩做减法时不丢骨架，todo 保住方向，记忆补上跨轮上下文。少一个，长任务就多一处裂缝。

落地建议：别一上来追求全自动，先把 todo-state 和分层压缩跑顺，再逐步放开自主度。长任务的本质不是「模型更聪明」，而是「状态管理更稳」——工程做好了，中等模型也能跑出让人放心的长流程。

落到工具选择，todo-state 和分层压缩在 LangGraph、AutoGen 等框架里已有雏形，但多数团队用得粗糙：要么 todo 形同摆设，要么压缩把关键决策压没了。建议先把手写版跑顺——一张显式任务清单加一份「近期原文 / 远期摘要」的分层缓存，往往比直接上复杂框架更稳。预算控制记得留余量，别卡到临界才回收。长任务的真相是：模型够不够聪明是次要的，状态管理稳不稳才是命门。工程做扎实了，中等模型也能跑出让人放心的长流程，不必苦等下一代旗舰。

再说一个落地细节：长任务最该补的是可观测性。给 Agent 加 trace，把每一步的入参、出参、调用耗时和失败原因都记下来，出了问题才能定位是预算砍错了、压缩丢了一句话，还是 todo 状态写歪了。很多团队只盯着「它跑完没」，却看不见中间怎么跑的，一旦翻车只能重来。把 Agent 当成可调试的系统而非黑盒，长任务的稳定性才会随迭代真的变好，而不是靠运气。

别忘了人这个闸。长任务里设几个必须人工确认的检查点，成本不高却能在跑偏时及时踩停。全自动是目标，不是起手式。