Agentic Context Management: Solving Agent Memory and Cost by Treating Them as Lifecycle and Architecture Problems

本文提出Agentic Context Management（ACM）概念，认为Agent失败主因不是推理能力不足，而是上下文管理失败（对话历史、工具定义输出膨胀）。ACM包含五原语：架构、摄取、范围界定、预判、压缩与整合。经济分析显示，朴素累积导致平方级token成本，简单摘要得线性成本但精度陡降，只有验证过的压缩实现线性成本且保真度不损。参考实现Maximem Synap在LongMemEval和LoCoMo上达92%和93.2%。

1. 可用进导购/Agent产品：导购Agent同样面临长对话上下文膨胀、跨会话记忆丢失问题。ACM的五原语为设计记忆模块提供了系统框架，尤其是“预判”下一步需要的上下文和“压缩到预算内”的能力。可以借鉴其把记忆按生命周期管理，而非简单存到向量库。

2. 改变判断：之前我认为RAG（向量检索）是解决长上下文记忆的主要方式。本文揭示仅靠存储检索框架太窄，必须主动管理上下文生命周期，包括结构化提取、按数据类型选存储、遗忘并保留溯源。启发我应重新评估当前导购Agent的记忆架构，加入主动压缩和预判机制。

3. 下一步行动：精读论文具体实现的五原语细节，尤其是压缩验证方法；评估其参考实现与导购场景的结合点（如多租户组织层级可映射到用户/会话/产品属性层级）；考虑在原型中实验类似策略，对比当前简单滑动窗口+摘要的效果。