编者注：这是一篇非常有意思的文章。作者把电影《记忆碎片》的主角莱纳德看作是一个“目标驱动、工具调用、自主规划”的真人版 Agent，结合电影情节设定，对应拆解了 Agent 上下文工程的知识。
以下为全文内容。
当 OpenAI 的 CEO Sam Altman 被问及他最爱的人工智能电影时，答案几乎总是 Her。以至于去年（2024 年）OpenAI 那场惊艳的语音助手发布会后，他在社交媒体上只发了一个词：「her」。这并非巧合。电影中的萨曼莎，用斯嘉丽的迷人声线、极致的共情能力和无所不知的学识，完美定义了 Chatbot（聊天机器人） 这一范式的终极形态。在过去很长一段时间里，整个 AI 行业的叙事，几乎都是围绕着「Chatbot」这条主线展开的。
然而，进入 2025 年，风向几乎在一夜之间改变。 一款现象级 Agent 的横空出世，让 Agent（智能体） 迅速取代 Chatbot，成为行业叙事绝对的主流。大家讨论的不再是「意图识别」和「多轮对话」，而是任务分解、工具调用和自主规划。从硅谷到北京，「第一个通用 Agent」、「第一个 AI 程序员」的发布会此起彼伏，这股火热的浪潮，让人感觉仿佛重回了那个移动互联网大爆发的 2016 年。
在这个全新的 Agent 时代，又有那部电影，阐述了什么是 agent。我心里有一个未被认可的答案，它和 AI 毫无干系，却可能是最好的 Agent 入门电影。它不探讨 AI 的灵魂，只展示一个系统如何在信息不完整的残酷现实中，为了一个目标去 「思考」 和 「行动」。它，就是克里斯托弗·诺兰的第一部长篇电影——Memento（《记忆碎片》）。
主角莱纳德不是一个被动的聊天伙伴。他是一个有明确目标（复仇）、会使用工具（相机、笔）、并试图在复杂的真实世界中执行任务的 自主系统(Agent)。他关心的是 「完成任务」，而不是「取悦用户」。
莱纳德的整个悲剧，都源于他那套为了「行动」而构建的、天才而又脆弱的信息处理系统。这套系统，就是我们今天要深入探讨的核心——上下文工程（Context Engineering）。本质上，它是一套围绕着 LLM 有限的'注意力'（即上下文窗口），设计和管理信息输入（Input）与输出（Output）的综合性技术栈。它的目标，是在 Agent 每一个决策点，都为其提供「恰到好处」的信息，而这，正是决定一个 Agent 是走向成功还是陷入混乱的「脚手架」。
超 10000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。
最新、最值得关注的 AI 新品资讯；
不定期赠送热门新品的邀请码、会员码；
最精准的AI产品曝光渠道
01
十八般武艺，
却只有鱼的记忆
你猛地睁开双眼，发现自己身处一间陌生的汽车旅馆。口袋里有一把车钥匙，床头柜上放着一沓现金和一个信封。你为什么在这里？这些东西是谁的？更可怕的是，当你低头看自己的手，发现上面用潦草的字迹写着：「别接电话」。这是谁写的警告？是善意还是陷阱？这就是莱纳德的每一次「苏醒」。
莱纳德曾经是一名顶尖的保险调查员，他懂得如何追踪线索，如何审问嫌疑人，如何像猎犬一样咬住目标不放。而一场入室袭击夺走了他妻子的生命，也摧毁了他大脑中负责「写入新记忆」的功能——顺行性遗忘症。这意味着什么？他记得妻子的一切，记得那晚的惨剧，记得自己的名字和过去的所有人生。但从那天起，他的时间就被冻结了。他无法形成新的长期记忆，每过十几分钟，他脑中的「缓存」就会被清空，一切归零。他唯一剩下的，只有一个驱动他所有行为的最终目标：找到杀害妻子的凶手，为她复仇。
这个设定，简直就是为今天 LLM 的完美隐喻。莱纳德完好无损的长期记忆，在功能上就像是 LLM 的训练数据（Training Data）。它们共同构成了系统行动的「世界知识」基础，但这个基础是静态的。莱纳德无法学会在袭击后认识新朋友，LLM 也无法知道训练截止日期后的任何新闻。
而他那只有 15 分钟的短期记忆，正是 LLM 最著名、也是最致命的阿喀琉斯之踵——上下文窗口（Context Window）。在这个窗口内，它可以完美地理解和关联所有信息；但窗口之外，就是它无法触及的世界。如果输入超出一个字，系统就会报错。
好了，现在问题来了。莱纳德，以及我们开发的 Agent，面临着同一个地狱级难度的工程挑战：
如何在一个本质上
无状态（Stateless）的、记忆窗口极其有限（或信息过载）的系统中，去执行一个需要长期有状态（Stateful）跟踪的复杂任务？
莱纳德的复仇之路，可能需要耗费数周甚至数月。我们的 Agent，要完成一个自动化研究项目，也需要调用上百次 API，处理数万字的文档。
面对这个看似无解的困局，莱纳德没有放弃。他做了任何一个优秀的工程师都会做的事：既然无法修复硬件（他的大脑），那就为它构建一套强大的外部系统。
这套系统，就是我们今天所说的 上下文工程。
02
莱纳德的记忆系统：
上下文工程的三大支柱
莱纳德对抗遗忘的武器库，看似混乱，实则遵循着一套严谨的信息处理架构。这套架构，恰好完美对应了构建一个高效 LLM Agent 所需的三大核心支柱。
第一支柱：外部知识管理系统 (External Knowledge Management) —— 拍立得照片
这是整个系统的「记忆扩展模块」，负责突破短期记忆的限制，为 Agent 在每个决策点提供必要的历史信息。在 Agent 技术栈中，这对应着一套完整的 知识管理系统，其中最为人熟知的实现方式就是 RAG（检索增强生成）。
莱纳德的拍立得系统，恰好展示了一个完整的知识管理闭环是如何运作的：
信息采集与固化 (Information Capture)： 当莱纳德遇到关键人物或地点时，他会立即举起相机。这个看似简单的动作，实际上是将流动的、转瞬即逝的现实，固化成可以永久保存的「知识单元」。对于 Agent 而言，这相当于将 API 返回的数据、用户的关键指令、或执行过程中的重要状态，持久化存储到知识库中。
上下文标注 (Context Annotation)： 莱纳德从不满足于单纯的照片。他会立刻在背面写下「泰迪，别信他的谎言」这样的关键笔记。这个细节揭示了一个深刻的工程智慧：原始数据本身往往是不够的，真正有价值的是数据背后的判断和洞察。在 RAG 系统中，这对应着为文档添加元数据、生成嵌入向量、或创建知识图谱——让信息不仅「存在」，更要「可被理解」和「可被检索」。
按需调用 (On-Demand Retrieval)： 每当莱纳德从失忆中「重启」，面对一个陌生人时，他会本能地翻找口袋里的照片。找到匹配的照片后，背面的笔记会立即告诉他该如何行动。这个过程完美诠释了 RAG 的核心价值：在 Agent 需要做决策的精确时刻，为它注入最相关的历史知识。就像 ChatGPT 在回答「2024年奥运会」相关问题时，会先从知识库中检索相关新闻，再基于这些「增强」后的上下文生成答案。
莱纳德系统最令人赞叹的，是他对「什么值得记录」的直觉判断。他不会给早餐拍照，不会记录天气，只会捕捉那些与复仇任务直接相关的关键信息。这种选择性记录，恰恰是许多 Agent 系统所缺失的。
工程师的教训： 构建 Agent 的外部记忆不是「存储越多越好」，而是要设计一套智能的信息价值评估机制。就像莱纳德只为「任务相关」的人和地点拍照，我们的 Agent 也应该学会判断：哪些信息值得进入长期记忆，哪些只是过眼云烟。一个不加选择就把所有对话历史都存入向量数据库的 Agent，最终只会在检索时被无关信息淹没。
第二支柱：上下文提炼与结构化 (Context Distillation & Structuring) —— 关键笔记
信息并非越多越好。如果每次决策都翻阅所有照片，莱纳德很快就会在信息的海洋中迷失。他必须对信息进行 处理，筛选出那些真正重要、不可动摇的「事实」。
他的核心处理手段，是将信息 从照片的背面，升级到纹身。
提炼与压缩 (Distillation & Compression)： 莱纳德不会把「我今天在咖啡馆遇到了泰迪」这种日常琐事纹在身上。他只纹那些经过反复验证、足以构成他世界观基石的核心信息，比如「事实 5：John G. 强奸并谋杀了我的妻子」。这是一种极致的信息压缩，将无数的线索和推论，提炼成一句不可更改的「断言」。
结构化 (Structuring)： 纹身的位置也极有讲究。关键线索和数字纹在最容易看到的大腿上，而最终目标「找到他，杀掉他」则纹在胸口，每次照镜子都能看到。这是一种物理上的 信息结构化，确保最重要的信息拥有最高的「读取优先级」。
在 Agent 设计中，这一步同样至关重要。从 API 或文档中检索到的冗长信息，必须经过压缩、总结、提取关键实体，甚至转换成更精简的 JSON 格式，才能在有限的「Token 预算」内最大化 信息密度。
工程师的教训： Agent 必须是一个高效的「信息炼金术士」，而不是一个杂乱的「信息搬运工」。糟糕的上下文处理，会让 Agent 陷入「大海捞针」的困境。
第三支柱：分层记忆管理 (Hierarchical Memory Management) —— 纹身系统
一个单一、扁平的记忆系统是脆弱且低效的。莱纳德的生存智慧在于，他本能地为自己构建了一套 分层式的记忆架构。这对于设计一个能在长期任务中保持不「迷航」的 Agent 至关重要。
我们可以将莱纳德的记忆系统看作三个功能不同的层次：
核心任务层 (Core Mission Layer) - 纹身： 这是 Agent 的「宪法」或「最高指令」。它定义了 Agent 的身份（「你是一个复仇者」）和终极目标（「找到并杀死凶手」）。这一层的信息是 几乎不可变的（Immutable），拥有最高的决策权重。它的作用，是确保 Agent 无论在执行多少步子任务后，都不会偏离最初的战略意图。每当莱纳德「重启」时，正是这些纹身让他能立刻重建自我，找回使命。
情景工作记忆层 (Episodic Working Memory) - 照片与笔记： 这是 Agent 的「任务日志」。它存储着与当前长期任务相关的、动态变化的状态和观察结果。比如「泰迪的照片」和背面的笔记「别信他」。这一层是 可读可写的（Read/Write），记录了任务的中间步骤、遇到的障碍、收集到的证据。它使得 Agent 的行动具有连续性，而不是一系列孤立的操作。
瞬时处理窗口 (Volatile Processing Window) - 15 分钟的大脑记忆： 这直接对应 LLM 那有限的 上下文窗口。它是真正的「思考」发生的地方。在每一个决策点，Agent 会将「核心任务层」的最高指令，与「工作记忆层」中最相关的几条情景信息，一起 加载（Load） 到这个窗口中进行处理，然后做出下一步行动的判断。这个窗口是 高度易失的（Volatile），每次调用后都会被清空。
工程师的教训： 上下文管理设计的核心，不是去追求一个无限大的记忆池，而是 设计一套高效的记忆分层与调度系统。要明确定义哪些信息是需要永久铭刻的「宪法」，哪些是可供随时读写的「日志」。忘记设计这套记忆层级的 Agent，要么会忘记自己的核心使命，要么会淹没在自己海量的操作日志中。
03
莱纳德的双重悲剧：
Agent 设计的两大「致命漏洞」
通过这套天才的「上下文工程」系统，莱纳德成功地将一个有严重生理缺陷的个体，变成了一个能够执行长期复杂任务的 Agent。他成功了吗？电影的结局给了我们一个残酷的否定答案。
漏洞一：外部投毒 —— 被泰迪警官「喂」了谎言
泰迪警官一直在利用莱纳德的失忆症，向他提供精心筛选甚至扭曲的信息。这完美地诠释了 Agent 设计的第一个风险：上下文投毒（Context Poisoning）。在 LLM Agent 的时代，我们进入了一个 「垃圾进，真理出」(Garbage In, Gospel Out) 的新范式。Agent 不仅会处理错误的信息，更可怕的是，它会以一种充满权威和自信的口吻，将基于这些错误信息得出的结论，当作「真理」一样呈现和执行。我们的 Agent 如果无条件信任互联网上的所有信息，其后果不堪设想。
漏洞二：内部污染 —— 被自己写下的笔记所欺骗
电影最具讽刺性的一幕，是莱纳德在某个瞬间做出了一个决定：他在一张关键人物的照片背面写下了一条误导性的笔记。这不是别人对他的欺骗，而是他对未来的自己设下的陷阱。当他下次「重启」看到这张照片时，他会毫不怀疑地相信自己写下的话——毕竟，谁会怀疑自己亲手写下的「事实」呢？他用一个谎言，编程了未来的自己。这揭示了比外部投毒更隐蔽的漏洞：自我强化的认知牢笼（Self-Reinforcing Cognitive Prison）。
当 Agent 在多步骤任务中执行第 N 步时，它可能会生成一个带有微小偏差的中间结论。在执行第 N+1 步时，它会从自己的「记忆」中，将这个错误的结论 当作一个可信的事实 来检索，并在此基础上继续行动。
这个问题在目前流行的 多步任务规划 Agent 中尤为突出。例如，一个 Agent 在第一步生成的代码存在一个微小的逻辑错误，在第二步进行代码审查时，它会把第一步的「错误代码」当作「既定事实」来审查，导致它很可能无法发现自己的问题。它缺乏一个独立的、批判性的「自我审查」视角，这也是当前从最简单的 ReAct 到更复杂的 树状搜索（Tree of Thoughts） 等框架都在试图解决的核心难题。
04
结语：
缺失的「反思」模块
莱纳德的悲剧，源于他的系统只有「检索-处理-行动」的单向循环。它缺少了一个能抵御外部投毒和内部污染的关键模块——验证与反思 (Verification & Reflection)。
对于 Agent 而言，「反思」不是哲学层面的自我审问，而是一个 工程模块。它意味着在行动之后，系统需要有一个机制，去比对行动结果与预期目标之间的差距，生成一份「误差报告」，并将这份报告作为下一次行动的关键上下文输入。莱纳德的悲剧在于，他没有能力去反思「我亲手写下的笔记，就一定是真的吗？」。他陷入了一个由自己创造的「现实」中，无法自拔。
一个没有反思能力的 Agent，同样会陷入自己生成的「代码 bug」或「错误事实」中，并在循环里不断放大这个错误，最终离目标越来越远。
所以，当我们惊叹于 Agent 能自动编写代码、预订机票时，不如先回头看看莱纳德的结局。他用自己的悲剧提醒我们：构建一个能「行动」的系统只是第一步，构建一个能 「可靠地行动」 的系统，才是我们真正漫长而艰巨的征程。
在追求 Agent「自主性」的狂热中，为它构建一个强大的「反思」与「验证」机制，可能才是通往真正通用智能的唯一路径。否则，我们最终创造的，可能不是一个无所不能的助手，而是一支由无数个高效、执着、且永不怀疑的「莱纳德」所组成的军队。
而这，正是《记忆碎片》在 25 年后，依然是每个 Agent 工程师必修课的根本原因。
注：本文由 AI 协作，共同完成。
「All in AI」的 Shopify，分享了他们的全员 AI 落地实践，全是干货
CEO 复盘：从每月亏损 260 万美元到实现盈利，Medium 如何「断臂求生」？
转载原创文章请添加微信：founderparker
内容中包含的图片若涉及版权问题，请及时与我们联系删除
