Agent里多轮对话越聊越乱，有没有靠谱的上下文管理方案？

结构化存工具调用记录是关键，再配合分层记忆，比硬塞历史靠谱多了。

结构化存工具调用记录这个方向我觉得是对的，参数串场多半是因为历史里混了太多自然语言噪音。我们之前是把每轮tool call和结果单独抽出来，按时间戳维护一个状态机，只把当前任务相关的状态喂给模型，token省了不少。不过摘要压缩丢偏好那个问题，建议搞个分层的key-value记忆，用户明确改过的偏好单独存，比让模型从长文本里自己找靠谱。想问下你试过把最近几轮原始消息+更早的摘要混着用吗？比例怎么调比较稳？

我之前也被这个问题折磨过，试了一圈下来感觉单纯堆历史或者粗暴摘要确实不行。你现在这种“改时间”的偏好丢失，本质上是缺了一个状态追踪层，把用户意图的变更和当前任务的关键参数单独拎出来维护。我的做法是把对话历史、工具调用记录和“工作记忆”分开存，工作记忆是个结构化JSON，每次工具调用后强制更新，比如订餐厅后用户说改时间，就直接更新这个JSON里的时间字段，而不是靠模型从长对话里自己找。这样模型每次只需要读最近几轮加当前工作记忆，token省了，准确率也稳。至于长期偏好，建议定期把确认过的信息抽出来存到向量库里，但别全塞给模型，只在需要时检索。你可以看看LangChain的ConversationSummaryBufferMemory，但生产上我更推荐自己写个轻量状态机，或者参考一下CrewAI的上下文管理方式，他们有个叫做ContextRouting的机制。想再问下你，现在工具调用结果返回后，你是让模型自己提炼必要信息，还是直接把原始结果丢回历史里？这点我觉得影响也很大。