一、上下文窗口污染的本质

上下文污染本质就是有限上下文 token 里面混入大量低价值、干扰性信息，挤占有效信息空间，会放大 Lost in the Middle 现象，造成模型注意力偏移，抓不住当前任务目标。

二、上下文污染的四大来源

1. 工具返回冗余内容：调用代码沙箱返回整段编译日志、大量 print 打印、无关堆栈；读取大文件直接返回全部原文。
2. 无效历史轮次：多次失败的重试记录、已经解决完毕的子任务对话、用户已经废弃的规划方案。
3. 错误信息残留：旧报错堆栈、异常信息没有清理，模型反复被历史错误引导，重复踩同一个坑。
4. Agent 自身冗余思考：模型输出大量无关的内部思考、发散独白，没有做截断控制。

三、主流上下文净化方案（落地对比）

1. 规则过滤清洗

配置黑名单过滤重复日志、空行、无关调试打印、重复状态信息；工具侧限制单次返回 token 上限，提前拦截超大返回报文。 优点：开销低、响应快；缺点：只能处理固定格式冗余，杂乱无结构文本无法处理。

2. 结构化摘要压缩

对工具返回、历史子任务做摘要，只保留结论，丢弃原始冗余日志。比如代码运行结果，不把全部 stdout 塞入上下文，只保留执行状态、关键报错行、返回结果。 优点：大幅度节省 token；缺点：摘要会丢失细节，Coding 场景过度摘要会丢失关键报错线索。

3. 分层记忆分离

信息拆分为三层：即时工作上下文（当前轮次必需，常驻 prompt）、中长期摘要记忆、外部向量记忆。旧对话不一直留在窗口内，需要时再检索召回。 这也是 Agent Memory 模块最主流的落地方式。

4. 基于任务状态的上下文裁剪

Agent 维护子任务状态标记，已经完成、后续不再依赖的子任务，从上下文剔除，仅保留一句话结论。在 LangGraph 中，可以在节点回调更新 state 的时候自动清理过期对话。

5. 内容重排序与信息加权

把和当前任务高相关的内容放在靠近首尾的位置，低相关内容压缩后置，缓解 Lost in the Middle 带来的注意力衰减问题。

四、场景取舍：净化强度不能一刀切

• Coding Agent：不能过度净化报错信息，否则模型看不到完整报错，无法修复代码；
• 普通问答 Agent：可以激进压缩历史信息，降低 token 开销，提升推理速度。

总结

上下文窗口污染，就是无关冗余信息挤占有效 token、干扰模型判断。净化的核心思路是区分信息是否当下必需，组合规则过滤、摘要压缩、分层记忆、状态裁剪；不能一味压缩，要根据场景控制净化强度，平衡 token 开销和信息完整性，是长链路 Agent 稳定运行的关键手段。