为什么更大的上下文窗口救不了你的 Agent——AWS 的 Elizabeth Fuentes Leone

AWS 开发者倡导者 Elizabeth Fuentes Leone 讲解 agent 在工具返回海量数据时为何失效，指出模型对长上下文的首尾记得住、中间部分会丢失，因此扩大上下文窗口并非解法。她基于开源、模型无关的 Strands Agents 框架，用代码演示四类策略：externalize、select、compress、isolate，并覆盖滑动窗口与摘要式对话管理器、短期/长期/图记忆、把大工具输出挡在上下文外的 memory pointer、在 agent 集群间共享指针、限制工具调用以防死循环、为慢速 MCP 工具提供异步句柄，最后总结应避免的反模式。

AI推荐理由 AWS 开发者倡导者 Elizabeth Fuentes Leone 的演讲，聚焦 agent 在工具返回大量数据时的失效机制，指出模型对长上下文中间部分记忆衰减，并给出 externalize、select、compress、isolate 四类策略及滑动窗口、摘要式对话管理、短期/长期/图记忆、memory pointer、跨 agent 共享指针、限制工具调用防死循环、慢 MCP 工具的异步句柄等具体做法，还列出反模式。内容具体、可操作，对 agent 工程实践有直接参考价值；局限是演讲摘要未提供基准数据或量化验证，效果仍需自行评估。