什么是 Context Rot（上下文腐化）？
很多人以为“上下文窗口越大越好（如 100 万 Token）”；但现实是：当对话持续几十轮、塞满过时错误与冗余废话后，大模型的注意力会被严重稀释（Attention Dilution） —— 产生“答非所问、遗忘系统指令、甚至开始胡言乱语”的上下文腐化（Context Rot）现象！
精准聚焦，注意力 100% 集中
只保留核心系统指令、关键业务知识与最近 3 步精准执行结果。大模型的注意力权重高度集中在目标上，逻辑严密、执行零偏差！
- ✨ 高信噪比（SNR）：每一句话都是黄金信息
- ✨ 响应速度极快：KV Cache 占用极小，推理成本低
垃圾堆里找针，智商断崖下跌
塞满了 50 轮历史聊天、数万行无用报错日志、相互矛盾的临时修正。注意力被稀释成水（Softmax 抹平），AI 开始把错误当真理、胡编乱造！
- ❌ 指令失效：开头规定的格式与禁止事项全被抛诸脑后
- ❌ 恶性循环：AI 把自己上一步产生的幻觉当成真理继续犯错
拆解导致 Context Rot 的 4 大罪魁祸首
从注意力稀释到上下文修剪解法，读懂智能体长效运行之道
1. Attention Dilution (注意力稀释)
Softmax 归一化总和为 100%。上下文越长，分给真正关键线索的注意力份额越微弱，导致关键约束被彻底无视。
2. 错误记忆污染 (Self-Poisoning)
AI 在第 3 轮尝试了一个错误的修复，这个错误报错留在 Context 里，导致 AI 在第 10 轮依然围绕着错误反复兜圈子！
3. Checkpoint 阶段性摘要解法
当任务推进到一定阶段，主动触发总结（Compact），把几十轮纠结过程打包成“已完成结论”，丢弃中间废料！
4. Context Pruning (主动修剪)
高级 Agent 的自我清洁机制：动态删除上一步无用的巨大工具返回值（如 `cat` 返回的几千行原文件），保持工作台极度清爽。
🕹️ Context 腐化与“一键大扫除”演练台
观察多轮复杂开发后 Context 如何被污染，以及触发 Checkpoint 摘要后如何满血复活：
大模型的注意力像“工作记忆”
人类的工作记忆容量只有 7 个组块（Miller 7±2 定律）。
大模型虽然拥有百万 Token 窗口，但在深层逻辑推理时，有效推理注意力容量依然非常有限。
Ralph / Fork 新鲜 Agent 机制
顶级 Agent 框架（如 DeepSeek Harness / Claude Code）采用 Fresh Agent 机制：
每完成一个阶段目标，立即开启一个干净无污染的新子智能体，只继承结构化结论报告，彻底告别 Context 腐化。
长久保持顶级智商
通过定期做 Checkpoint 压缩与修剪，不仅能消除 90% 的 API Token 账单；
更能让大模型在连续自主工作数百步时，始终保持如初见般的敏锐判断力与严谨格式遵守度！