智能体上下文管理：把智能体记忆与成本当作生命周期与架构问题

生产AI智能体的失败较少因为推理能力不足，更多因为它们无法管理推理上下文中的内容：对话历史、大提示、大工具定义与膨胀的工具输出。智能体淹死在自己累积的历史里，同时支付每轮增长的token成本，产生会话内与跨会话的召回缺失。主流应对把它当作存储与检索问题。我们论证该框架太窄：主动管理智能体记着什么是一个生命周期而非仅仅一个存储——它横跨决定记住什么、抽取并结构化它、按数据类型选择正确的存储、在保留出处分明的前提下整合与遗忘、决定现在什么相关、预判接下来需要什么、以及把上下文压缩到预算内而不丢失要紧内容。在严肃的生产中，它不在单个用户上运作，而是跨组织范围层级。我们把这门学科命名为智能体上下文管理（ACM），分解为五个原语：架构化、摄取、范围界定、预判、压缩与整合。我们随后给出经济学论证：朴素的上下文累积使token成本随会话长度二次增长；粗糙摘要以准确率悬崖为代价买到线性成本；只有经验证的压缩实现在保持保真的前提下线性成本。我们描述参考实现Maximem Synap——把五个原语实现为多租户服务——并在第6节详述的配置下报告LongMemEval 92%与LoCoMo 93.2%。最后我们给出既有基准尚未捕捉的维度——延迟、token效率与抗上下文腐蚀——以及该类别指向的决策级与组织级上下文前沿。