本文主要阐述核心思路，从基础构建开始逐步深入。
在有限的窗口内，通过结构化编排让模型记住关键信息，同时避免'失忆'或性能下降。
1. 突破窗口限制
OpenAI Agents SDK "Session" + 自动修剪（Trimming）
- 使用 SDK 内置的 "Session" 对象管理上下文，而非手动拼接 "messages"。
- 设定 '系统提示词 + 最近 N 轮' 的滚动窗口策略。当 Token 接近极限（如 90% 容量）时，自动丢弃最早的用户/助手对话，但永远保留 System Prompt。N 的取值需保证至少能覆盖一个完整的业务步骤。
2. 固化关键约束（防篡改）
结构化系统提示词（Structured System Prompt）
- 约束先行（Constraint-First）：在 System Prompt 开头明确'不可为'清单（如'禁止提供投资建议'、'禁止修改汇率基准'）。
- 输出锁死（Schema Lock）：强制输出为 JSON 或 XML 格式，并利用 OpenAI 的
response_format或 Claude 的structured_outputs进行语法级约束，防止模型自由发挥。 - 分层注入：将用户身份、API 密钥等'显式记忆'在每次会话开始时直接注入 System Prompt，不依赖模型回忆。
P0 级：基础生存（防崩溃与越界）
3. 优化信息密度（降本）
摘要压缩（Summarization） + 结构化状态（Structured State）
- 主动摘要：当对话轮数超过阈值（如 10 轮），调用轻量级模型（如 GPT-4o-mini）将历史对话压缩为'关键决策点'摘要，替换原始冗长记录。
- 状态对象：借鉴 ".mmr" (MyMories) 格式，将对话状态保存为结构化对象（如
{user_intent, resolved_issues, pending_tasks}），而非自然语言，极大节省 Token。 - 工具结果过滤：调用外部 API 后，仅将解析后的核心数据（如
{balance: 1000}）放入上下文，丢弃冗长的 HTTP 响应体。
智能记忆管理——'摘要 + 滚动'
直接使用 LangGraph 的 SummarizationNode 或 Anthropic 的 Memory Tool 实现自动化。
- 近期记录：保留最近 3-5 轮原始对话（保证连贯性）。
- 远期记忆：将更早的历史压缩为摘要。
P1 级：性能优化
4. 状态恢复与回溯
版本化快照（DAG-based State）
- 快照机制：在关键决策点（如'用户确认交易'后），保存完整的上下文快照（Snapshot）至数据库，满足'留痕'要求，并标记版本号。
- DAG 状态管理：参考'上下文内存虚拟化（CMV）'理论，将状态视为有向无环图（DAG），支持回滚到任意历史版本。
P2 级：进阶风控
5. 多模态与工具编排
文件元数据 + 工具状态机
- 元数据先行：处理 PDF/表格时，先提取文件名、页数、表格结构等元数据放入上下文，而非直接塞入全文。
- 工具链状态：在 System Prompt 中显式定义工具调用顺序（SOP），并将当前步骤（Step）作为状态变量传递，防止模型在长流程中'迷路'。
