本文揭示了LLM上下文组装的复杂管线：一次调用涉及十类信息源，按“稳定前缀+动态尾部”排列，确保缓存命中率；通过Pin保护保留上轮结论、工具去重、压缩干预与域级工具过滤，优化窗口使用。强调顺序决定缓存、裁剪与注意力分布，提出五大实践：分区提示词、结论保底、去重、计算固定开销、插入省略占位符。对比ClaudeCode、LangGraph等方案，凸显内建管线的系统性优势。

TaskMemoryAgent在完成任务后必须执行“认知结算”——强制性的闭环阶段，通过一次主模型调用产出四类认知产物：会话快照（SessionState）、长期记忆（MemoryEntries）、自我反思（Reflections）和经验教训（Learnings）。此举确保关键决策、模式识别与教训不随上下文丢弃而流失。不同于依赖模型主动记笔记的松散设计，认知结算是架构级强制机制，覆盖正常结束、中断

TaskMemory设计五种核心制品：Plan（任务结构）、Findings（事实发现）、Decisions（决策理由）、Checkpoints（确认点）与Learnings（经验总结），实现任务状态的解耦与持久化。每类制品有独立写入纪律与消费方式，避免消息压缩导致信息丢失。强制记录“无发现”消除歧义，决策理由不可压缩，关键节点设Checkpoint保障恢复效率，任务结束后提炼Learnings供

本文揭示了长任务中Agent“变蠢”的根源：上下文压缩导致关键状态丢失。提出Agent需三层记忆——工作记忆（上下文窗口）、结构化工作便签（核心执行状态）与长期记忆。其中，工作便签最易被忽视却至关重要，它应独立于对话消息、结构化存储、强制写入并持久化，以确保任务连续性。当前主流框架多忽略此层，导致200轮任务中信息系统性遗忘。建议开发者主动维护scratch.md文件，将发现、决策等关键信息写入独

在长任务中，LLM上下文窗口有限，压缩不可避免，导致“遗忘”问题。本文提出：Plan是Agent的外部工作记忆，用于恢复决策链。通过“推”（每轮注入摘要）与“拉”（主动读取文件）两种模式平衡效率与完整性。结合认知结算、机械降级与TaskMemory五类制品（Plan、Findings、Decisions等），构建多层冗余机制，确保信息在压缩、失败或会话中断后仍可恢复。关键在于：不依赖上下文，而将核

Plan的前端呈现不仅是视觉问题，更是产品信任的核心。不同产品对Plan的可视化差异（如Cursor四层视图、ClaudeCode活动流、Codex可转移蓝图等）反映了对“人机协作”关系的不同理解。关键在于：进度必须准确（用分数3/5而非易误导的百分比）、状态需真实（避免虚假推进）、错误要可区分（可重试与不可重试）。事件payload的丰富度决定前端能力上限，而进度条若不准确，比无进度更毁信任。最

本文剖析了Agent系统中“Plan步骤从pending到done”状态迁移的七个真实Bug，揭示其背后深层设计问题：状态机语义复杂、终态不闭合、状态与事件脱节、生命周期未递归终结等。教训聚焦于：终态应使用枚举而非布尔组合，同状态迁移需幂等，状态变更与事件发射必须原子化，父生命周期结束时须收口子状态，错误提示应引导模型行为。这些原则适用于任何多参与者、异步执行的智能工作流系统。

Plan系统本质是外部工作记忆，而非进度条或流程图。它解决模型在上下文压缩后遗忘决策链的问题，通过限制行动能力迫使“先思考后执行”，并作为人与模型间关于目标与完成标准的契约。成功实现需将Plan定位为承载设计决策的容器，保持步骤为可独立执行的决策描述，避免DAG依赖、自动回滚等误用。真正有效的Plan应持久化、自包含，支持跨会话恢复认知状态。

人机协同Agent陷入死循环时，应采用两阶段协议：先注入纠正消息并重置计数器（自愈），若无效再触发HITL（人类在环），超时则安全终止。按状态、调用、模式、文本四维度独立检测，避免误判；终止后保存进度、执行认知结算、标记可恢复，并提供精准前端提示。相比硬性轮次限制，该机制更智能高效，可避免$47K级事故，实现“不中断正常任务，不放过真循环”的平衡。

在人机协同Agent系统中，超时应默认为“拒绝”而非“同意”，这是基于安全工程的fail-closed原则。若超时=同意，攻击者可通过不响应实现恶意操作（如循环删除），且合规审计将视为无效审批。统一处理HITL所有非明确同意结局（超时、取消、错误等）为拒绝，可简化逻辑、避免遗漏，并确保系统在不确定时选择最安全选项。超时后应保存进度，实现“安全暂停”而非丢弃工作。物理操作例外无超时，其他场景超时不少