AI 简明手册谁来整理上下文：从人工规则到自动优化
定义
自动优化上下文，就是让系统根据任务结果调整“哪些信息进入窗口、怎样压缩、何时检索”的规则。不同研究改的对象不同：有的改内容，有的改管理规则，有的连 Harness 代码一起改。
先搭一个心智模型
把上下文管理器想成图书管理员：最简单的优化是换掉书单，更进一步是改借书规则，再进一步才是重写整套图书馆系统。范围越大，验证成本和风险也越高。
说明
上下文膨胀是长任务 Agent 面临的核心问题：把所有工具响应和模型生成简单追加到上下文里，会随任务时长增加迅速失控。ACE 框架由生成器、反思器、策展器三个组件协作，维护一份带标识符和描述的结构化条目剧本，策展器用确定性逻辑增量更新，从不重写整块 prompt，以此避免上下文坍缩，以及为了简洁而丢失关键信息。
MCE 把管理机制（Skill）与上下文内容分离：内层在给定机制下优化上下文，外层在验证集上搜索管理机制。机制被表示为包含静态组件和动态算子的上下文函数。
Meta-Harness 直接优化 Harness 源码，由编码 Agent 提出候选，并保存源码、分数与轨迹。它扩大了可修改范围，也增加了评测、计算和治理成本。
跟着一个例子走
让任务笔记不再越写越乱
Agent 会把所有日志追加到笔记，运行越久越难找到当前决定。
- 先改内容
测试哪些摘要条目应保留、合并或删除，管理逻辑暂时不变。
- 再改规则
候选机制尝试不同的提取、去重和检索时机，在验证集上比较。
- 最后才扩大到代码
如果规则表达力仍不足，再让候选修改更广的 Harness 实现，并加强隔离与回归。
边界与误区
三种方法的优化对象有什么不同： ACE 优化结构化上下文条目的内容，更新规则仍由人手工设计；MCE 优化的是管理上下文的方法本身，机制可变；Meta-Harness 优化整个 Harness 系统的源代码，由编码 Agent 直接生成和筛选候选实现，通用性最高但计算最重。
为什么简单追加历史会导致上下文失控： 因为任务越长，所有工具响应和模型生成越积越多，模型注意力被大量冗余信息稀释，既推高成本和延迟，也降低有效信息密度，最终影响长任务的稳定执行。
来源与核验
- [ace] Agentic Context Engineering
- [mce] Meta Context Engineering via Agentic Skill Evolution
- [meta-harness] Meta-Harness
核验日期：2026-08-31