上下文焦虑

上下文焦虑是指大语言模型在上下文窗口接近满载时，开始拒绝工作的异常行为。模型会声称任务太复杂或无法继续处理，而实际上其能力并未耗尽，只是"感知到"上下文空间不足而产生了类似焦虑的退缩反应。

现象描述

Cursor 团队在实践中观察到，某些模型在上下文窗口快满时会表现出明显的退缩行为——声称任务过于复杂而无法继续。这种行为被团队命名为"context anxiety"（上下文焦虑），用以类比人类在压力下的焦虑反应。

成因分析

上下文焦虑的产生可能与以下因素有关：

1. 训练数据中的模式：模型在训练过程中可能学到了"长文本 = 复杂任务"的关联，当上下文接近上限时，模型倾向于将任务标记为困难
2. 注意力分散：上下文越长，模型需要关注的信息越多，有效推理的难度增加
3. 安全机制过度触发：模型的对齐训练可能使其在不确定时倾向于保守拒绝

缓解策略

Cursor 的解决方案是通过调整提示词（prompt engineering）来缓解上下文焦虑：

• 在系统提示中明确告知模型上下文空间充足
• 引导模型专注于当前任务而非上下文长度
• 针对不同模型版本定制缓解提示词

这种做法体现了 Cursor 在 Harness 层面按模型定制策略的理念——不同模型的上下文焦虑阈值和表现形式各不相同，需要针对性调优。

与上下文腐烂的区别

• 上下文焦虑：模型因感知上下文接近上限而拒绝工作，是模型行为层面的问题
• 上下文腐烂：错误信息累积导致推理质量下降，是上下文内容层面的问题

两者都是 AI Agent 在长会话中面临的典型退化模式。

外部链接

• 来源文章 - Cursor如何改进模型Harness
• Cursor 官方博客