记忆与上下文：长对话不丢信息的实战方案
记忆和上下文管理是 Agent 面试中“看起来简单但很容易答浅”的维度。面试官不想听你说“用向量数据库”——他想知道的是存什么、怎么查、怎么融合，以及面对模糊输入时 Agent 怎么利用记忆给出好体验。
本篇目录
- 上下文管理基础
- 记忆架构与优先级
- 记忆系统工程
- Q：如何沉淀部门级 Agent 记忆，既避免经验随人流失，又控制错误、过期和权限风险？
- 记忆检索与维护
- 上下文工程进阶
- 会话记忆与前沿
- Q：记忆冲突怎么解决？比如用户前后说了不同的过敏信息
- Q：短期记忆压缩后，过了很长时间又需要当时完整信息怎么办？
- Q：压缩过程中会丢失工具调用历史，导致模型重复调用工具，怎么解决？
- Prompt 长度 vs 内容对决策的影响
- Q：云端 Coding Agent 的容器迁移或重启时，如何恢复会话上下文、工作区和进行中的任务？
- Q：Agent 做上下文压缩后，如何验证没有破坏当前任务？
- Q：跨会话记忆如何从对话中提取？哪些信息值得写入长期记忆？
- Q：上下文预算不足时，如何按任务依赖压缩，而不是按时间删除旧消息？
- Q：前 10 轮都变成了总结，之前的原始上下文就不需要了吗？
- Q：已进行 10 轮并做了总结，第 11 轮开始时，总结怎么处理？是重算前 11 轮还是叠加？
- Q：当用户对话零碎、跨轮次且意图发生跳跃时，如何结合上下文准确判断当前意图？
- Q：session 里的临时文件存主服务还是 skill 进程服务，要不要删，什么时候删？
- Q：大体积工具结果落盘后，为什么还要返回预览？预览内容应该如何选择？
- Q：如何用 Prompt 提取用户风格偏好？风格偏好应包含哪些内容？
- Q：大模型生成会话摘要时，如何避免摘要内容污染用户偏好？新结论推翻旧结论时怎么保留？
- Q：金融 Agent 执行股价提醒等定时任务时，应该携带哪些历史上下文？
- Q：按大纲分章节生成长文时，如何维持跨章节连续性与事实一致性？
- Q：Codebase Memory 应该如何初始化、增量更新和失效？
- 这类题的答题模式