Agent 越聊越容易忘？LangChain 拆解五种上下文管理方法

长任务 Agent 会不断积累工具输出、搜索结果、中间草稿和用户补充。即使模型支持较长上下文，把所有材料一直带进每次调用，也会增加干扰和成本。LangChain 在 2026 年 10 月 14 日的技术文章中，介绍了 Deep Agents 管理这些信息的五种方法。

大块资料保存到文件，必要时再取回

第一种是 offloading：把较大的工具结果或用户消息存入文件，让模型先看到简短预览和路径，需要细节时再读取。

第二种是摘要：会话接近上下文上限时，把较早的消息压缩成摘要，同时保留近期消息。官方介绍的实现会保存被摘要的历史记录，方便之后查回原文。

这两种方式解决不同问题：前者减少单次大块输入带来的增长，后者处理长时间运行形成的累积。摘要的实用性也取决于能否找回原始证据，尤其是数字、用户约束和关键决定。

技能和子代理减少主会话负担

第三种是按需加载技能。Agent 先看到技能名称和简短描述，遇到相关任务时再读取完整说明。这样，偶尔使用的模板或操作指南不必一直占据完整上下文。

第四种是使用独立上下文处理噪声较多的子任务，再把结果交回主 Agent。例如，一项资料收集工作可以返回关键结论和依据，让主流程继续推进。但任务拆分需要保留足够证据，否则过度简化也可能造成信息缺失。

长期记忆需要可以迁移和检查

第五种是把值得长期保留的信息写成文件，例如用户稳定的格式偏好。官方强调，记忆存放在开发者控制的存储中，可以在切换模型或服务商时继续使用。

文件可复用并不保证不同模型会产生完全一样的行为。迁移后仍应检查记忆是否被正确理解，过期规则是否及时更新。

对于自己的 Agent，团队可以先找出最占上下文的材料，再判断哪些应保留在当前窗口、哪些应存档待查、哪些才值得跨会话记忆。目标是让当前任务得到需要的信息，同时保留找回细节的路径。

调整上下文策略后，可以用同一批长任务比较信息保留情况、总耗时与费用；如何建立可重复的检查流程，见从真实案例建立 Agent 评估集。