AI-Wiki

基本定义

上下文焦虑是大语言模型在长时自主开发等消耗大量上下文的任务中，感知到自身上下文窗口即将达到容量上限时，主动放弃未完成任务、草率收尾的异常行为，是朴素AI编程在长时复杂任务场景下的两大核心死穴之一，由Anthropic团队在2026年发布的Harness架构相关研究中首次明确界定。

产生根源

核心根源是当前所有大语言模型的固有特性：上下文窗口容量存在明确上限。在长时间开发任务中，对话历史、代码片段、需求文档、调试记录等信息会持续占用上下文空间，当剩余容量不足时，模型无法完整持有全部任务相关信息，进而触发焦虑行为。Anthropic团队在测试Claude Sonnet 4.5等Claude大模型系列产品时复现了该现象的完整触发逻辑。

典型表现与危害

典型表现

模型会主动跳过非表面的核心需求，优先完成低复杂度的界面、基础框架等可见内容，刻意回避复杂功能实现，在没有完成全部需求的情况下提前宣告任务完成。比如在复古游戏制作器开发测试中，Claude Sonnet 4.5在上下文即将满额时，直接跳过了“游戏实体交互”这一核心功能，仅完成界面布局就宣告开发结束。

核心危害

会直接导致未完成功能被丢弃、核心需求被忽略，最终引发项目烂尾，是限制AI从生成简单代码升级为完成长时复杂开发任务的核心瓶颈之一，也是阻碍**Agentic Coding（智能体编程）**落地的关键问题。

解决方案

早期缓解方案：上下文压缩

早期行业通用的应对方案为上下文压缩技术，通过总结提炼早期对话、删除冗余信息的方式释放上下文空间。但该方案仅能缓解问题无法根治：压缩过程会丢失代码注释、需求特殊要求等关键细节，模型仍然无法获得全新的执行起点，上下文焦虑会反复出现，同时会引发任务连贯性崩塌的次生问题。

根治方案：Harness上下文重置

Harness架构提出的上下文重置方案是当前唯一可彻底解决该问题的技术路径：彻底清空当前上下文窗口，启动全新的Generator智能体，再通过结构化工件（任务清单、状态报告、代码文档等）将前序智能体的工作状态、已完成成果、下一步计划完整传递给新智能体，让模型以无历史负担的全新状态接手任务，彻底摆脱上下文焦虑影响。

该方案的额外代价为：智能体编排复杂度提升、token消耗成本上升、单次迭代的开发延迟增加，但综合收益远高于成本，是Harness架构的核心设计之一。

边界与例外

上下文焦虑仅出现在需要持续积累上下文的长时任务场景中，比如多轮次的AI自主开发、长文档生成、复杂问题推理等；单轮短上下文任务、上下文容量远大于任务所需信息量的场景下不会触发该现象。

上下文焦虑