上下文窗口
大模型在单次推理中能够接收和处理的最大信息量限制，以Token数量衡量，决定了Agent可注入历史信息的上限，是影响长对话连贯性的核心约束。
核心事实
时间轴 (近 90 天)
记忆系统把长期规则与当前任务分通道注入，在结构上缓解了上下文窗口被占满和lost in the middle的双重损耗。
当前主流大语言模型都存在上下文窗口限制（如128K tokens），AI在生成长应用时无法同时看到全部代码，导致跨会话生成的模块接口漂移。
大模型在每次推理时能“看到”的文本长度是有限的，这段文本称为上下文窗口
上下文窗口指模型在单次会话中能同时“记住”并参与推理的token总量，是长线任务能力的硬性瓶颈。Gemini系列公开宣称支持百万级token上下文。
上下文窗口容量有限且随会话结束消失，外部存储需要显式读写；一旦开启新对话或上下文被截断，Bot就会回到“未确认”状态。
上下文窗口指模型单次推理能接收的最大token数量（如8K、128K），超出窗口的内容会被截断
从最旧的对话消息开始丢弃是最简单的上下文管理策略，但会丢失早期设定的关键信息，生产系统通常需要更细的策略
LLM 是无状态的，每次请求都不保留对话记忆，构建多轮 AI 功能时开发者必须自己维护消息数组并重建上下文
上下文包括系统提示词、少样本示例、历史对话轮次以及当前用户输入，其内容越靠后通常对输出的影响越大。
提示词太长、聊得太久，AI会忘掉最开始的要求，因为上下文窗口容量有限。
还有 40 条时间轴事件
全部知识事实 (20)
大语言模型的上下文窗口决定了模型在单次推理中能处理的信息量上限
90%已验证AI Agent 相比传统脚本具有不可预测性，存在幻觉、误解上下文、遭受 prompt 注入攻击等固有风险
80%已验证大语言模型在长时间对话中会因上下文窗口限制而丢失早期信息
80%已验证当新信息与旧记忆冲突时，记忆层必须能够识别并更新，而非固守过时认知
80%已验证主流技能包执行方式是将技能指令加载到智能体的上下文窗口中，依赖智能体自身理解并遵循这些指令
75%已验证在AI工具普及的时代，人类记忆作为信息存储介质的功能价值发生了根本性贬值
75%已验证过度的提前思考会带来延迟和计算成本的上升，在追求响应速度的场景中未必合算
75%已验证企业级Agent系统通常会引入外部记忆模块（如向量数据库）来存储长期记忆，以突破上下文窗口限制
75%已验证上下文窗口是指模型在单次对话中能处理的最大文本量，早期模型仅有4K Token，现代模型已扩展至数十万Token
70%已验证当前主流大语言模型的上下文窗口通常在8K到200K token之间
65%已验证上下文窗口决定了模型在单次对话中能记住多少内容
65%已验证目前主流模型的上下文窗口已支持10万到200万token
65%已验证上下文窗口（Context Window）指模型单次交互中能处理的最大token数量
65%已验证在多轮对话中，每一轮新回复生成前系统都需将此前所有对话历史重新输入模型，导致token消耗随轮次累积增长
65%已验证过于冗长、矛盾或模糊的系统提示词会导致模型注意力分散，产生过度思考或指令遵循失败，精简 agents.md 可提升指令遵循的确定性
65%已验证早期模型上下文窗口较小，约为4K–8K Token
65%已验证LLM的记忆依赖于上下文窗口，即模型在单次推理时能够处理的最大Token数量
65%已验证100万token相当于约750万个英文单词
65%待验证A core limitation of current large language models is the finite context window
85%待验证仅靠扩大上下文窗口无法解决Agent的长期记忆问题
85%