上下文腐烂

上下文腐烂是指在 AI Agent 的多轮交互过程中，错误信息、失败的工具调用记录等负面内容在上下文窗口中不断累积，导致模型后续判断质量持续下降的现象。

核心机制

当一次工具调用（tool call）失败时，错误信息会留在上下文中，占用 token 空间。虽然 Agent 有时能自我修正，但这些错误记录不会被清除。随着错误越积越多，模型的注意力被分散到这些噪声信息上，从而影响对新任务的处理质量。

这种效应在长时间运行的 Agent 会话中尤为明显——上下文窗口是有限的资源，错误信息占用了本可用于有效推理的空间。

在 Cursor 中的应对

Cursor 团队在改进 Agent Harness 时，将上下文腐烂视为关键挑战之一。他们的应对策略包括：

1. 错误分类管理：将错误分为已知错误（InvalidArguments、UnexpectedEnvironment、ProviderError、UserAborted、Timeout）和未知错误
2. 监控告警：任何工具的错误率超过阈值就触发报警
3. 自动化修复：使用 Cloud Agent 每周自动扫描日志、发现新问题并创建工单
4. 集中修复：通过集中 sprint 将意外工具调用错误降低了约一个数量级

与其他上下文问题的关系

上下文腐烂与 上下文焦虑 是两种不同的上下文退化模式：

• 上下文腐烂：错误累积导致质量下降，是内容层面的问题
• 上下文焦虑：模型因感知到上下文接近上限而拒绝工作，是行为层面的问题

外部链接

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