CONCEPT
上下文重置
基本定义
上下文重置是Anthropic团队在2026年3月发布的Harness架构中提出的核心设计方案，属于Agentic Coding领域解决大模型长时任务上下文问题的工程化手段，是当前业内应对上下文焦虑最有效的技术路径之一。
提出背景
在Harness架构诞生前的朴素AI编程阶段，大模型长时开发任务普遍面临上下文窗口不足的痛点：随着对话历史、代码片段、调试记录、需求文档等信息不断填充上下文空间，模型会逐步丧失对整体任务的把控能力，出现需求遗忘、逻辑断裂、功能重复开发等问题，甚至在感知到上下文即将达到上限时出现上下文焦虑，草率收尾跳过核心功能。 早期采用的上下文压缩方案仅能缓解窗口不足问题，还会丢失代码注释、特殊需求等关键细节，无法从根源解决上下文焦虑与连贯性崩塌的问题，上下文重置正是为了突破这一瓶颈设计。
核心实现逻辑
上下文重置的执行流程分为三个固定步骤：
- 彻底清空当前正在执行任务的智能体上下文窗口，清除所有冗余历史信息
- 启动一个全新的独立智能体实例，不继承任何前序对话历史
- 通过任务清单、状态报告、代码文档等标准化结构化工件，将前序智能体的已完成成果、当前工作状态、下一步执行计划完整传递给新智能体，确保任务衔接无断点
核心优势
该方案能让新启动的智能体获得完全干净的执行起点，彻底摆脱上下文窗口限制带来的焦虑影响，不会被冗余历史信息干扰，可重新聚焦核心需求，从根源上避免长时任务中的连贯性崩塌、需求偏航问题，支撑Claude大模型系列完成数小时级的复杂全栈应用自主开发。
局限性与适用边界
上下文重置并非通用优化方案，存在三大固有缺陷：
- 编排复杂度提升：需要设计完善的结构化工件规范、状态传递校验机制，还要适配多代理协作模式的调度逻辑，开发成本远高于传统单代理模式
- token成本上升：每次重置后需要将结构化工件、核心需求、角色定义等必要信息重新输入新智能体，会产生额外的token消耗
- 开发延迟增加：智能体重启、状态传递、新智能体初始化都需要额外的时间开销，会拉长整体任务的执行周期
适用边界：仅在复杂长时AI开发任务中收益大于成本，简单短周期任务强行使用反而会降低效率、提升成本。
相关条目
Harness架构 上下文焦虑 Agentic Coding 多代理协作模式 单代理模式 生成与评估分离模式 智能体自我宽容 Claude大模型系列 Anthropic