在大语言模型驱动的 Agent 系统中，上下文状态管理是决定任务连贯性与响应质量的核心因素。传统方案往往将注意力集中在持久化存储层的设计上 —— 通过向量数据库、文件系统或知识图谱实现长期记忆的累积。然而，这种思路忽视了一个关键现实：Agent 在执行多步推理时，最频繁访问的并非历史知识，而是当前会话中持续演化的临时状态。这些临时状态包括正在进行的子目标、已完成的中间步骤、用户意图的实时澄清以及与外部工具交互产生的返回值。将这类信息单纯依赖持久化存储会带来显著的延迟开销，而全部塞入 Prompt 则会导致上下文膨胀、注意力稀释和推理成本失控。因此，设计一套针对临时内存的层级化管理体系，成为 Agent 架构中的必由之路。

临时内存的三级层级模型

临时内存层级模型将 Agent 的内存需求划分为三个层次，每个层次具有不同的生命周期、访问频率和存储介质。理解这三层的职责边界是构建高效状态管理系统的第一步。

第一层：瞬态上下文（Ephemeral Context） 是生命周期最短的内存区域，它与模型当前的推理窗口直接绑定。在每次模型调用时，瞬态上下文被注入到 Prompt 中，构成模型 “即时看见” 的信息环境。它的典型内容包括本轮用户输入、最近 N 轮对话历史（通常取最近 3 到 5 轮）、以及当前任务的简短描述。这一层的设计要点在于容量严格受限 —— 以 Token 数量计，一般不超过上下文窗口的 15% 到 20%，目的是保证模型在有限注意力下仍能聚焦核心信息。瞬态上下文在会话结束后被完全丢弃，不产生任何持久化副作用，这符合隐私敏感场景的基本要求。

第二层：工作内存（Working Memory） 是本文的核心关注点。与瞬态上下文不同，工作内存不直接进入模型 Prompt，而是通过结构化查询在需要时被动态注入。它的职责是维护当前会话的任务状态：包括已识别的子目标序列、每个子目标的完成标记、中间计算结果、已调用工具的名称与返回值映射，以及用户意图的当前假设。工作内存在技术实现上通常采用内存中的键值存储（如 Redis、进程内 Dict 或专用 StateStore），读写延迟要求在毫秒级以内。一个关键的设计决策是工作内存的粒度控制 —— 过于粗糙会导致关键状态丢失，过于细致则导致注入 Prompt 时需要额外压缩。

第三层：长期记忆（Long-Term Memory） 才是传统存储层关注的领域，但它在临时内存层级模型中扮演的是 “归档而非活跃” 的角色。当工作内存中的某些状态被判定为具有跨会话复用价值时 —— 例如用户明确表达的偏好、某类任务的标准处理流程、或高频出现的工具调用模式 —— 系统会将这些信息提取并写入长期记忆。长期记忆的存储介质通常是向量数据库（如 Chroma、Milvus）或图数据库，检索时通过语义相似度或图遍历获取相关记忆片段，再经由二次加工后注入工作内存或直接注入 Prompt。

上下文状态管理的核心机制

明确了层级划分之后，关键问题是如何在这些层级之间高效地流转状态。单纯依靠 “写入即持久” 或 “定时同步” 这类粗粒度策略远远不够，需要引入更精细的状态管理机制。

状态转移决策器（State Transition Controller） 是这一层的大脑。它的输入包括当前任务目标、已消耗的 Token 预算、最近若干轮次的状态变化率，以及可选的显式用户指令。输出则是一个转移操作指令：例如将当前工作内存中的某项中间结果归档到长期记忆、或者从长期记忆检索与当前任务相关的背景知识并展开为工作内存中的活跃状态。状态转移决策器的实现可以简单到基于规则的条件判断（如 “连续 3 轮未使用的状态标记为低优先级”），也可以复杂到使用轻量级模型来判断 “这条信息是否值得保留”。后者虽然增加了推理开销，但在长周期任务中能显著提升记忆的精准度和 Token 利用效率。

上下文注入策略（Context Injection Strategy） 决定了工作内存和长期记忆中的信息如何被转化为模型可消费的文本形式。常见的策略包括完整展开、摘要压缩和结构化模板三种。完整展开适用于信息量较小且精确度要求高的场景；摘要压缩则通过小型模型或规则对长状态进行精简，典型压缩比为 5:1 到 10:1；结构化模板将状态信息编码为 JSON 或 YAML 等机器可读格式，模型在使用工具调用或结构化输出任务时对这类格式的解析效率更高。实践表明，混合使用这三种策略往往比单一策略更有效 —— 对于关键的任务进度信息采用完整展开，对于历史交互概要采用摘要压缩，对于工具调用上下文采用结构化模板。

状态一致性保证（State Consistency Guarantee） 是分布式或多 Agent 协作场景下的特有挑战。当多个 Agent 共享同一工作内存副本时，写入冲突和脏读问题会直接影响任务正确性。常见的解决方案包括乐观锁（写入前检查版本号，冲突则回退重试）、写后读一致性（所有写入立即可见，容忍短暂不一致但不持久化）以及版本向量（用于检测因果顺序上的冲突）。对于单机单 Agent 场景，虽然不存在并发冲突，但需要关注的是状态与模型实际推理之间的时序一致性 —— 即模型 “看到” 的状态是否是本轮决策前的最新版本，这一点在工具返回值异步回填场景中尤为重要。

工程实现的关键参数与阈值

将上述设计思想落地为可运行的系统，需要在多个维度上做出明确的参数选择。以下参数经过多个 Agent 框架的实践验证，可作为初始配置的参考基准。

瞬态上下文容量建议设置为上下文窗口总 Token 数的 15% 到 20%，以一个 128KToken 的上下文窗口为例，瞬态上下文的上限约为 20K 到 25KToken。低于 10% 会导致模型缺乏足够的会话连贯性信息，超过 25% 则会显著稀释核心 Prompt 的注意力分布。

工作内存的活跃项数量建议控制在 50 到 100 项之间。这里的 “项” 指的是独立的状态键值对或结构化对象。超过 100 项时，检索和注入开销呈非线性增长，此时应考虑将部分低优先级状态归档到长期记忆或直接丢弃。工作内存的单项大小也应有上限，建议每个状态对象的序列化后大小不超过 1KB。

状态转移决策的触发条件可以采用时间衰减与访问频率相结合的二元判定模型。具体而言，为每个工作内存状态维护两个指标：最近访问时间戳和过去 20 轮内的访问次数。任一指标低于阈值（时间超过 10 轮未访问，或次数少于 2 次）时，该状态进入 “候选归档” 队列。状态转移决策器每轮处理一次候选队列，按预设的优先级策略决定归档、丢弃或保留。

长期记忆的检索窗口通常设定为返回最相关的 Top 5 到 Top 10 条记忆，每条记忆的展开 Token 数控制在 200 到 500 之间。这个窗口的规模平衡了信息丰富度和 Prompt 长度约束。超出这个范围时，记忆的边际效用急剧下降，同时引入的噪声反而可能误导模型推理。

摘要压缩的触发阈值建议设定为工作内存总 Token 数超过瞬态上下文容量剩余空间的 70% 时。此时启动摘要压缩，将工作内存中的非关键状态压缩为摘要形式，释放空间容纳新的中间结果。摘要压缩本身也消耗 Token，因此需要为压缩操作预留约 15% 的计算预算。

监控指标与运维要点

临时内存层级的健康状态直接影响 Agent 的任务完成率，以下指标应纳入常规监控体系。

上下文利用率（Context Utilization Rate） 衡量瞬态上下文和注入信息的实际占用率与配置上限的比值。持续高于 90% 意味着模型可能处于 “信息过载” 状态，应触发工作内存的归档或压缩流程；持续低于 30% 则说明可能存在记忆不足导致的推理断点。

状态命中率（State Hit Rate） 统计从工作内存或长期记忆检索到的信息在后续推理中被实际使用的比例。命中率低于 40% 通常表明检索策略过于宽泛或状态编码不够精准，需要调整检索排序模型或重审状态标记规则。

平均状态存活轮次（Average State Lifespan） 反映工作内存中一项状态从创建到归档或丢弃的平均存活轮数。过短的存活轮次（如低于 2 轮）意味着状态被过早丢弃，模型可能反复重新发现同一信息；过长的存活轮次（如超过 15 轮）则可能表明低价值状态未被及时清理，导致内存膨胀。

Token 消耗增长率（Token Growth Rate） 监控每轮会话的总 Token 消耗变化趋势。在正常情况下，Token 消耗应呈现平稳或缓慢下降趋势 —— 因为早期会话的详细信息被逐步摘要化。如果观察到 Token 消耗持续快速增长（每轮增长超过 5%），则表明可能存在上下文泄漏或状态未正确回收的 Bug。

与持久化方案的关键区别

理解临时内存层级模型的独特价值，需要明确它与传统文件系统持久化方案的本质差异。首先是生命周期意图的不同：持久化方案追求信息的长期保存和可追溯性，临时内存方案追求的是当前任务的高效完成，前者以 “不会丢失” 为首要目标，后者以 “恰到好处” 为核心原则。其次是访问模式的差异：持久化存储支持任意时间点的随机读取，写入延迟在数十毫秒级可接受；临时内存的访问延迟必须在毫秒甚至微秒级，因为每轮推理都可能在极短时间内多次查询状态。第三是容量约束的强度：持久化存储的容量通常足够大（GB 到 TB 级），而临时内存受限于模型上下文窗口和推理成本，其有效容量极为有限 —— 这直接导致了对状态生命周期管理的刚性需求。

基于上述差异，一个成熟的 Agent 系统应同时支持两种模式：为需要跨会话持久化的知识采用传统存储方案，为任务执行过程中的瞬态状态采用临时内存层级方案。二者通过状态转移决策器进行桥接，形成 “活跃状态在内存、历史沉淀到存储” 的分层架构。

资料来源

本文核心概念参考了 Stanford 大学在 AI Agent 记忆控制领域的研究工作，以及业界对 Ephemeral Memory、Working Memory 和 Long-Term Memory 三层架构的通用设计实践。具体技术参数来源于多个开源 Agent 框架的工程经验汇总。

参考来源

  • Stanford University AI Agent Memory Control Research (2024-2025)
  • Agent Memory Architecture: Ephemeral vs Persistent State (various industry implementations)