无人值守的AI Agent为何重复劳动？LangGraph的上下文陷阱

一位开发者在Reddit上分享了一个值得深思的真实案例：他用LangGraph构建的AI Agent在夜间无人值守地执行代码重构任务，结果却把几小时前已经正确完成的两个节点重新处理了一遍——而且第二次处理用了与首次不同的命名规范，把正确的输出覆盖成了更差的版本。

没有崩溃，没有报错，没有重试记录。Agent只是径直绕回那些状态标记为"done"的节点，重新加工了它们。这个看似诡异的现象背后，隐藏着无人值守Agent与交互式会话之间一个根本性的差异。

现象：状态标记为"完成"却被重做

按常理推断，既然节点状态已经是"done"，Agent不应该再去碰它。但这位开发者观察到的情况恰恰相反——Agent无视了这个状态标志，重新执行了已完成的工作。

他最初怀疑是模型漂移（model drift），但很快发现这个解释站不住脚。他指出："同样的模型在交互式会话中跑同样长的时间，通常不会这么频繁地出这种错。"换句话说，问题不在模型本身，而在于运行模式。相同的模型、相似的任务时长，交互式使用和无人值守运行却呈现出截然不同的失败率，这才是真正需要解释的地方。

模型漂移（Model Drift） 通常指同一模型在长时间运行或多次调用后，因温度参数（temperature）引入的随机性、上下文窗口内容的累积变化，或底层模型版本的静默更新，导致输出结果逐渐偏离预期的现象。它是长程Agent任务中一个真实存在的干扰因素，因此开发者将其列为首要嫌疑有一定合理性。然而模型漂移的特征是输出质量的渐进式退化，而非对已完成节点的定向重访——后者具有明显的"选择性"，更像是上下文驱动的决策错误，而非随机噪声。这一区分是定位问题根因的关键第一步。

真正的差异：人类在交互中默默扮演的角色

这位开发者给出的分析相当精彩。他认为交互式会话之所以更稳定，是因为人类在其中悄悄承担了一份"没人分配给他的工作"。

在人机交互中，人类会自然地注意到某个子任务已经完成，然后转向下一步。而发出的下一条消息，会隐式地传递这种"状态切换"的信号——哪怕从不明说。这种隐性的边界管理，是人类下意识完成的。

而一个无人值守、跑着长任务清单的图（graph），默认情况下没有任何角色来扮演这个职能。没有人在旁边说"这步做完了，往下走"，Agent便失去了判断任务边界的外部参照。

根因：已完成节点的上下文仍在争夺注意力

这里是整个分析最关键的技术洞察。开发者指出：即便逐节点追踪了状态，如果已完成节点的"完整工作细节"仍然留在喂给下一步的上下文里，它就不是作为一个"已成定局的事实"安静地待着，而是在持续与当前真正要处理的步骤争夺模型的注意力。

更糟的是，在长时间运行中，这些已完成节点的细节会以和任务本身相同的速率不断累积。任务越长，无关的历史细节堆积得越多，当前步骤被淹没的风险就越大。于是模型在某个时刻"回头"去重做一个它以为还没完成的节点，也就不足为奇了。

这揭示了一个传统软件工程直觉容易忽略的点：在LLM驱动的Agent里，"状态标志"和"上下文内容"是两回事。一个布尔值标记为done并不能阻止模型被相关的历史文本重新激活——如果那些文本还在上下文窗口里。

这里涉及Transformer架构的一个核心机制：注意力机制（Attention） 对上下文窗口内的所有Token一视同仁地进行计算，并不天然区分"已完结的历史信息"与"当前需要处理的指令"。一段详尽的已完成节点推理过程，在Token数量上可能与当前任务指令相当，从而在注意力分配中占据可观的权重。这与传统软件中读取一个布尔状态位（几乎零开销）的直觉截然不同——在LLM中，"已完成"的内容只要还在上下文窗口里，其Token就持续参与每一次前向计算，并可能将模型的"关注焦点"拉回到已完结的工作上。这也解释了为什么仅靠状态标志无法解决问题：标志是程序逻辑层面的约束，而注意力竞争发生在模型推理层面，两者并不互通。

解法：把"完成"变成主动收缩上下文的动作

针对这个问题，这位开发者分享了两条实际有效的做法：

第一，在已完成节点的输出进入下游上下文之前，主动将其坍缩（collapse）成一段简短的完成摘要，而不是把完整的推理链条一路携带下去。这样下游步骤拿到的是"这件事做完了，结果是X"的精炼结论，而非一大段可能引发二次加工的详细过程。

第二，把节点的"done"状态当作一个会主动缩小其上下文贡献的信号，而不是一个没人读的状态位。换句话说，"完成"不应只是一个被动的标志，而应触发实际的上下文裁剪动作。

这两条建议的核心思想一致：对无人值守的Agent而言，上下文管理必须显式地替代人类在交互中默默提供的"边界感"。既然没有人来标记任务切换，系统就必须自己把已完成的工作从"活跃的注意力竞争者"降级为"沉淀的事实"。

上下文坍缩（Context Collapse） 是一种在Agent工程中逐渐获得认可的实践模式，其思路与检索增强生成（RAG）中的"压缩检索结果"以及思维链（Chain-of-Thought）推理后的"结论提取"有相通之处。具体实现上，可以在节点状态转为done时，调用一次轻量级的摘要调用（summary call），将该节点的完整推理过程替换为一条结构化的完成记录，例如{node: 'A', status: 'done', result: '...'} 。LangGraph本身支持在状态更新时自定义reducer函数，这为在图的数据流层面实现自动坍缩提供了原生切入点，无需在每个下游节点中手动过滤历史内容。

对Agent工程的启示

这个案例对正在构建生产级Agent系统的开发者有普遍参考价值。随着AI Agent被越来越多地部署到长时间、无人值守的任务场景中，上下文窗口里累积的历史信息不再是免费的"记忆"，而是一种会主动干扰决策的噪声源。

设计Agent工作流时，值得把"上下文的主动收缩"视为与"状态追踪"同等重要的一等公民。单纯依赖状态标志而让完整历史自由堆积，在短任务里或许无伤大雅，但在长程、自主运行的场景下，就可能像这个案例一样，让Agent悄无声息地覆盖掉自己之前正确的成果。

原作者在Medium上写了更详细的版本：《Unattended AI Agents Have a Context Problem Humans Never Had》。

需要说明的是，这是单一开发者基于自身实践分享的观察与经验，相关结论尚未经过大规模验证，但其提出的问题视角对Agent开发者具有切实的参考意义。