前两篇文章中，我们讲了Agent的基本结构，也讲了Agent如何调用工具。
如果说工具调用让Agent拥有了"手"，那么上下文与记忆，决定了Agent有没有"脑中的工作台"和"可复用的经验"。
一个Agent要完成任务，不只是靠模型参数。它还要知道当前用户在问什么，之前说过什么，工具返回了什么，文件里写了什么，当前任务进行到哪一步，哪些结果已经生成，哪些错误需要处理。
这些信息共同构成了Agent的上下文、记忆和状态。
但这里有一个常见误区：
上下文不是越长越好，记忆也不是越多越聪明。
一个人桌上资料堆得越多，不代表工作效率越高。
一个人记住所有细节，也不代表他能做出正确判断。
真正重要的，是把正确的信息放在正确的位置，在正确的时刻交给模型。
今天这篇文章，我们介绍10个关于Agent上下文与记忆的基础术语：
Context、Context Window、Context Engineering、Memory、Short-Term Memory、Long-Term Memory、State、Checkpoint、Persistence、Artifact。
它们共同回答一个问题：
Agent如何在复杂任务中记住该记住的，忘掉该忘掉的，并把过程稳定地推进下去？
一、Context / 上下文：Agent当前能看见的世界
上下文指的是Agent在当前一次模型调用中可以看到的信息。它可能包括用户当前问题、历史对话、系统指令、工具返回结果、文件内容、任务状态、中间推理摘要等。
生活中可以把上下文想象成一个人的工作桌面。
你正在写一份报告，桌面上可能放着会议纪要、数据表、参考文章、老板批注、草稿纸和任务清单。你此刻能参考的东西，就是你的工作上下文。
Agent也是如此。
它不是凭空回答问题，而是基于当前上下文生成下一步判断。
在Agent系统中，上下文可能包括：
用户的问题；
历史对话；
系统规则；
开发者指令；
工具调用结果；
检索到的文档；
当前任务计划；
执行日志；
错误信息；
用户偏好；
生成中的报告或代码。
在AIDD场景中，如果用户要求Agent分析一个靶点，上下文可能包括靶点名称、疾病背景、文献检索结果、蛋白结构信息、已有药物进展、之前工具返回的表格，以及当前报告大纲。
上下文决定Agent此刻"知道什么"。
但上下文也有风险。
无关信息太多，会干扰判断；
过期信息混入，会误导结论；
重复信息堆积，会浪费窗口；
错误工具结果进入上下文，会被模型当成事实继续使用。
上下文像灯光。
照得太少，看不清；
照得太乱，也会刺眼。
真正重要的不是把所有东西都照亮，而是照亮当前任务需要的地方。
二、Context Window / 上下文窗口：模型一次能看多少东西
它指的是模型一次调用能够处理的最大上下文长度。可以理解为模型一次能放进"脑中工作台"的信息容量。
生活中可以想象一张办公桌。
桌子越大，能摊开的材料越多。但桌子再大，如果把所有合同、报表、邮件、聊天记录、旧版本文档都堆上去，人也会混乱。大桌子解决的是容量问题，不自动解决组织问题。
上下文窗口也是如此。
很多人以为模型上下文越长越好。实际上，上下文越长，只说明模型能接收更多信息，并不代表模型会更有效地使用这些信息。
在Agent系统中，长上下文可能带来几个问题：
信息噪声增加；
关键内容被淹没；
模型注意力分散；
成本升高；
响应变慢；
旧信息与新信息冲突；
敏感信息暴露风险增加。
在AIDD场景中，如果让Agent分析100篇文献，不应该把所有原文一次性塞给模型。更合理的做法是先检索、筛选、摘要、结构化，再把与当前问题最相关的证据放入上下文。
上下文窗口像一只篮子。
篮子变大，能装更多东西。
但如果没有筛选，装进去的也可能只是更多杂物。
真正成熟的Agent系统，不是追求把所有信息塞进去，而是知道什么信息该进去、什么信息不该进去。
三、Context Engineering / 上下文工程：把信息组织成模型能用的样子
它是设计哪些信息进入上下文、如何排序、如何压缩、如何隔离噪声、如何避免冲突的工程方法。
如果说上下文是桌面，那么上下文工程就是整理桌面的能力。
生活中，一个优秀的助理不会把所有资料一股脑扔给领导。他会先筛掉无关材料，把关键结论放在前面，把证据放在后面，把风险单独标出来，把过期版本撤掉。
上下文工程也是这样。
它关心的问题包括：
当前任务真正需要哪些信息？
哪些历史对话应该保留？
哪些工具结果需要摘要？
哪些内容需要结构化成表格？
哪些信息应该放在前面？
哪些信息可能互相冲突？
哪些内容应被压缩？
哪些内容应被遗忘？
哪些敏感信息不能进入模型上下文？
在Agent系统中，上下文工程非常关键。因为模型不是万能读者。你给它混乱材料，它就可能给出混乱答案；你给它过期证据，它就可能得出过期结论；你给它一堆无关信息，它就可能在噪声中迷路。
在AIDD中，上下文工程尤其重要。例如，一个靶点评估Agent不应该直接读取所有文献全文，而应当提取疾病相关性、结构可成药性、药物进展、风险证据等结构化内容，再交给模型综合判断。
上下文工程不是提示词技巧的简单升级。
它更像信息治理。
它决定模型看到的是一堆杂物，还是一份可用的证据包。
四、Memory / 记忆：让Agent不必每次从零开始
记忆是Agent保存和复用信息的机制。它可以让Agent在当前任务、当前会话甚至跨会话场景中保留重要信息。
生活中，一个没有记忆的人，每次见你都要重新问你是谁；每次做项目都要重新学习背景；每次犯错都无法积累经验。这样的人即使聪明，也很难成为可靠合作者。
Agent也是如此。
如果没有记忆，Agent每次任务都像第一次启动。它不知道用户偏好，不知道项目背景，不知道上次做过什么，也不知道哪些路线已经失败过。
记忆可以保存：
用户偏好；
项目背景；
历史任务结果；
常用格式；
业务规则；
工具调用经验；
重要实体信息；
长期知识；
失败教训。
但记忆也不能随便保存。
不重要的信息保存下来，会污染系统；
错误信息保存下来，会反复误导；
敏感信息保存下来，会带来风险；
过期信息保存下来，会造成错误判断。
记忆不是仓库越满越好。
真正有价值的记忆，必须经过选择、更新、遗忘和治理。
一个Agent若记住太少，会显得健忘。
若记住太多，又可能背着垃圾前进。
五、Short-Term Memory / 短期记忆：当前任务里的工作记忆
它指的是当前会话或当前任务内使用的工作记忆，例如历史消息、中间变量、临时工具结果、当前任务进度等。
生活中可以把短期记忆想象成你做菜时临时记住的事情。
你知道锅里正在炖汤，盐还没放，米饭还有十分钟，青菜已经洗好。这些信息对当前做饭任务很重要，但不一定需要永久保存。
Agent的短期记忆也是如此。
它通常服务于当前线程、当前会话或当前任务。比如：
用户刚才上传了一个文件；
工具刚返回了一个错误；
当前执行到第三步；
某个候选分子已经被过滤；
报告大纲已经生成；
用户要求使用正式语气；
刚刚检索到三篇相关文献。
在Agent系统中，短期记忆帮助Agent保持连续性。否则，每一步都会像失忆一样重新开始。
在AIDD任务中，短期记忆可能保存当前候选分子列表、对接任务进度、临时评分结果、当前筛选阈值、用户刚刚修正的靶点名称等。
短期记忆像工作台上的便签。
任务结束后，很多便签就可以扔掉。
如果每张便签都装订进档案，档案迟早会变成垃圾场。
六、Long-Term Memory / 长期记忆：跨任务复用的经验和事实
它指的是跨会话、跨任务保存的信息，例如用户偏好、项目知识、业务事实、历史任务经验等。
生活中，长期记忆像一个人的经验。
你不需要每天重新学习自己的工作方式，不需要每次都重新认识同事，也不需要每个项目都从零建立常识。长期记忆让经验沉淀，让协作更连续。
Agent的长期记忆可以包括：
用户长期偏好；
常用写作风格；
项目背景；
组织术语；
业务规则；
历史结论；
常见错误；
常用工具选择；
跨任务知识。
在Agent系统中，长期记忆的价值在于减少重复沟通。例如用户长期偏好正式文风，Agent就不必每次询问；某个项目已经确认了靶点、数据来源和分析框架，后续任务可以直接复用。
在AIDD中，长期记忆可以保存项目靶点背景、候选分子筛选规则、实验室常用阈值、报告模板、前几轮筛选失败原因等。
但长期记忆必须更谨慎。
因为它会跨任务影响未来判断。错误长期记忆比错误短期记忆更危险。短期错误可能影响一次任务，长期错误可能污染一系列任务。
长期记忆像刻在墙上的字。
写上去之前，要比写便签更慎重。
一个成熟Agent，不应只是会记住。
它还要知道什么值得长期记住，什么应该过期，什么必须删除。
七、State / 状态：Agent运行过程中的结构化变量
状态是Agent执行过程中的结构化变量，用来记录当前任务处于什么阶段、有哪些中间结果、哪些工具已经调用、当前是否出错、下一步该做什么。
生活中可以想象医院病历中的"当前状态"。
病人已完成检查，血液结果已出，影像结果未出，医生已开初步诊断，下一步等待会诊。状态不是最终结论，而是过程记录。
Agent的State也是这样。
它可能包括：
当前任务步骤；
任务进度；
用户输入；
已调用工具；
工具返回结果；
错误信息；
中间变量；
待确认事项；
当前计划；
最终输出草稿。
在Agent系统中，State很重要，因为Agent不是一次性完成所有事情，而是在多轮循环、多工具调用、多步骤执行中推进任务。没有状态，系统无法知道自己走到哪里。
在AIDD中，一个候选分子筛选Agent的State可能包括：
当前分子列表；
已计算的描述符；
已过滤的分子；
ADMET预测结果；
对接任务编号；
失败分子原因；
当前排序规则；
待生成报告。
State让Agent从"对话模型"变成"流程系统"。
没有State，Agent只能记得一段话。
有了State，Agent才知道自己正在做一件事。
八、Checkpoint / 检查点：把执行过程暂时保存下来
检查点是保存某一时刻执行状态的机制。它可以帮助系统在中断后恢复、失败后重跑，或者让人工在关键节点介入。
生活中可以想象游戏存档。
你玩一个复杂游戏，如果没有存档，一旦失败就要从头开始。有了存档，就可以回到某个关键节点重新尝试。
Agent执行复杂任务时也需要检查点。
例如，一个任务需要检索资料、调用工具、运行脚本、生成文件、等待用户确认。如果运行到第八步突然报错，不应该从第一步重来。系统应该能恢复到最近检查点，修复错误后继续执行。
在Agent系统中，Checkpoint常用于：
长任务恢复；
失败重跑；
人工审核；
时间回溯；
调试排错；
多步骤执行记录；
工作流暂停与继续。
在AIDD中，一个MD模拟准备Agent、分子筛选Agent或报告生成Agent，都可能需要检查点。因为这些任务可能运行时间长、步骤多、工具复杂，一旦失败，完全重跑成本很高。
Checkpoint像登山路上的营地。
没有营地，摔一次就要回到山脚。
有了营地，失败仍然痛苦，但不必从零开始。
九、Persistence / 持久化：让状态和记忆离开临时内存
持久化是指把Agent的状态、记忆和执行进度保存到数据库、文件系统或其他存储系统中，使其在程序重启、任务中断、会话结束后仍然可以恢复。
生活中可以把它想象成把草稿写进文档，而不是只记在脑子里。
脑子里的想法一睡觉可能忘掉；写进文档，就可以第二天继续改。临时内存中的状态一旦程序结束就没了，持久化则让任务有机会延续。
在Agent系统中，持久化可以保存：
会话状态；
任务进度；
检查点；
用户长期记忆；
历史工具结果；
产物索引；
错误日志；
人工反馈；
跨任务知识。
持久化对长任务尤其重要。比如一个Agent要分析大量文献、跑批量分子筛选、生成多个报告版本，不可能要求它在一次调用中完成所有事情。它需要保存进度，下一次继续。
在AIDD中，持久化可以支持：
长时间批处理任务；
候选分子多轮筛选；
实验数据持续更新；
项目知识跨会话复用；
失败任务恢复；
多用户协作审计。
但持久化也要治理。
什么该保存？
保存多久？
谁能访问？
如何删除？
如何更新？
如何防止过期信息继续被使用？
持久化让Agent有了长期工作能力。
但凡是长期保存的东西，都会变成责任。
不持久化，系统容易失忆。
乱持久化，系统容易背负错误和风险。
十、Artifact / 产物：Agent执行后留下的结果
它指的是Agent执行后生成的文件、报告、图表、代码、日志、预测结果、数据表、模型输出等可被保存、查看、复用的结果。
生活中，一个项目结束后，不应只剩下一句"我做完了"。它应该留下文档、表格、图纸、代码、记录、结论和交付物。
Agent也是如此。
一个任务如果没有产物，就很难审查、复用和交接。
Artifact可以包括：
分析报告；
结构化表格；
图表；
代码文件；
日志文件；
预测结果；
对接结果；
候选分子列表；
知识库条目；
实验方案草案；
PPT或Word文档。
在Agent系统中，Artifact非常重要。它把Agent的执行过程转化为可交付结果。
在AIDD中，Artifact可能是：
靶点调研报告；
分子筛选表；
ADMET预测结果；
对接姿势文件；
蛋白结构图；
候选分子优先级清单；
实验验证建议；
项目汇报材料。
Artifact也需要管理版本。因为同一个任务可能多次迭代，生成多个版本。如果没有版本管理，用户很难知道哪个是最终结果，哪个是中间草稿，哪个已经被废弃。
Artifact是Agent行动留下的脚印。
脚印清楚，人才知道它走过哪里。
脚印混乱，所谓完成也只是口头上的完成。
把这10个概念串起来：Agent如何记住过程并交付结果？
现在，我们把这些概念放入一个完整场景。
假设用户让Agent完成一个任务：
请帮我分析一批候选分子，并生成筛选报告。
首先，Agent需要构建Context，也就是当前可见的信息：用户要求、候选分子文件、筛选规则、已有工具结果和报告格式。
但模型有Context Window限制，所以不能把所有数据一股脑塞进去。这时需要Context Engineering：筛选关键信息，压缩长表格，把中间结果结构化，只把当前决策需要的内容送入上下文。
任务执行过程中，Agent需要Memory。当前会话中的临时信息进入Short-Term Memory，例如当前分子列表、筛选阈值、工具返回结果。跨任务有用的信息进入Long-Term Memory，例如用户常用报告风格、项目背景、常用ADMET阈值。
同时，Agent维护State，记录当前执行到哪一步，哪些分子已经过滤，哪些工具已经调用，哪些结果待确认。
执行到关键节点时，系统保存Checkpoint。这样如果后续对接任务失败，可以回到对接前的状态继续，而不必从头开始。
如果任务时间较长，Persistence负责把状态、记忆和进度写入数据库或文件系统，使系统中断后还能恢复。
最后，Agent生成Artifact，比如候选分子筛选表、分析报告、图表、日志和结果文件。这些产物可以交付用户，也可以进入后续任务继续使用。
这条流程可以概括为：
组织上下文 → 控制窗口 → 设计上下文工程 → 使用短期记忆 → 沉淀长期记忆 → 维护状态 → 保存检查点 → 持久化进度 → 交付产物。
这就是Agent在复杂任务中保持连续性和可交付性的基本逻辑。
结语：Agent真正需要的不是无限记忆，而是有边界的记忆
上下文和记忆，是Agent系统中最容易被误解的部分。
很多人以为上下文越长，Agent越聪明。
很多人以为记忆越多，Agent越懂用户。
很多人以为能保存状态，就等于系统可靠。
但事实并不这么简单。
Context决定Agent当前看见什么；
Context Window决定一次能看多少；
Context Engineering决定哪些信息应该进入上下文；
Memory让Agent不必每次从零开始；
Short-Term Memory支撑当前任务连续推进；
Long-Term Memory支撑跨会话经验复用；
State记录执行过程中的结构化变量；
Checkpoint让系统可以中断恢复和失败重跑；
Persistence让状态和记忆离开临时内存，成为可恢复的系统能力；
Artifact让Agent的工作留下可检查、可复用、可交付的结果。
这些概念共同构成了Agent的"认知后勤系统"。
一个真正可靠的Agent，不只是会回答，也不只是会调用工具。它还必须知道：
当前该看什么；
过去该记什么；
过程该存什么；
错误后该从哪里恢复；
最终该交付什么。
没有上下文，Agent是盲的。
没有记忆，Agent是健忘的。
没有状态，Agent是不知道自己走到哪一步的。
没有检查点，Agent一旦失败就只能重来。
没有持久化，Agent无法承担长任务。
没有产物，Agent就没有真正交付。
但我们也要记住：
记忆不是智慧。
长上下文不是理解。
持久化不是正确。
产物也不等于价值。
Agent的未来，不在于让它无限记住一切，而在于让它在恰当的边界内，记住该记住的，忘掉该忘掉的，把过程留下来，把结果交付出来。
真正成熟的智能体系统，不是一个永不遗忘的怪物。
而是一个知道如何组织信息、如何保存过程、如何复用经验、如何接受审查的工作系统。
它不靠记忆堆积显得聪明。
它靠信息秩序变得可靠。