AWS披露长时任务框架设计：用预算、压缩与记忆防止目标丢失

Techub News 消息，AWS 在自主云编码智能体设计指南中表示，浅层智能体在执行长时任务时，容易受到上下文溢出和目标丢失影响。指南称，解决这一问题的关键不在模型本身，而在智能体框架层。

按照该指南的说法，这套框架通过上下文预算与卸载、压缩、记忆策略以及待办状态四种机制，把浅层循环转换为深度智能体。

框架层的四项处理机制

在具体实现上，当工具响应超过 2 万词元时，Deep Agents 会把相关内容写入文件系统，并用文件路径和前 10 行预览替代原始内容。

如果会话上下文超过模型窗口的 85%，较早的写入和编辑工具调用会被截断为指针，以控制上下文占用。

Claude Code 采用的做法则是，对首次提示前的加载内容进行预算，自动记忆上限设为前 200 行或 25KB。

扩大上下文窗口并非有效解法

报道提到，研究显示，单纯扩大上下文窗口并不是有效解决方案。

Chroma 发布的上下文衰减报告评估了 18 个大模型，其中包括 GPT-4.1 和 Claude 4。结果显示，随着输入长度增加，模型性能的可靠性会下降。

Anthropic 在上下文工程指南中解释称，其机制在于注意力会为 n 个词元创建 n² 的成对关系，每增加一个词元，都会消耗有限的「注意力预算」。

上述消息引述自 MarkTechPost。