11.3 自适应上下文管理

11.3.1 静态 vs 自适应

传统上下文管理使用固定策略，而自适应上下文管理根据具体情况动态调整。未来的方向是让模型"参与"到上下文的选择中来。

11.3.2 自适应策略

自适应检索 (Adaptive Retrieval)

根据查询复杂度调整检索强度：

def adaptive_retrieve(query):
    complexity = assess_complexity(query)
    # 简单问题直接回答，复杂问题多跳检索
    if complexity == "high":
        return multi_step_agentic_retrieve(query)
    return simple_vector_search(query)

任务感知型重排 (Task-Aware Reordering)

不同任务对上下文顺序的偏好不同。Transformer 模型对开头和结尾的内容关注度更高（Primacy/Recency Effect）。

• 代码调试任务：错误日志置顶 > 相关代码 > 环境信息

• 法律分析任务：法规条文置顶 > 案件事实 > 历史判例

可以通过分类器判断任务类型，动态调整 prompt 模板中的各部分顺序。

注意力预测注入 (Attention-Based Injection)

这是一种前沿的自适应架构：利用轻量级模型预测主模型对候选上下文的注意力热图。

1. 候选池：准备大量候选上下文片段。

2. 预测：小模型预测主模型在回答当前问题时会"关注"哪些片段。

3. 注入：只将高关注度的片段注入上下文。

这种方法实现了上下文的按需供给，最大化利用窗口的有效信息密度。

智能压缩 (ICAE)

上下文自动编码器 (In-Context Autoencoder, ICAE) 是一种新兴技术。它训练模型将长文本压缩为短的"软提示词"（Soft Prompts）或潜在向量，而非人类可读的摘要。

• 编码：将 4000 token 的文本压缩为 100 个特殊的 token。

• 解码：LLM 能够理解这些压缩 token 并基于此回答问题。

• 优势：压缩率极高，且保留了原始上下文的语义特征。

11.3.3 实现机制

反馈循环

基于结果反馈调整策略：

学习优化

从历史数据中学习最优策略：

• 记录不同策略的效果

• 分析成功和失败案例

• 自动优化参数

11.3.4 实施要点

1. 定义评估指标：如何判断效果好坏

2. 设置调整范围：避免过度调整

3. 保持可解释：理解为什么做出调整

4. 监控效果：验证自适应是否有效

11.3.5 渐进式上下文披露

渐进式披露（Progressive Disclosure） 是一种将上下文分层次、分阶段提供给模型的高级策略。

核心理念

不一次性提供所有信息，而是根据任务进展逐步披露：

工具定义中的应用

以 Tool Search Tool 为例，工具定义可以分层加载：

第一层（始终加载）：

• 工具搜索元工具

• 核心常用工具（3-5个）

第二层（按需加载）：

• 领域特定工具（通过搜索发现）

• 详细参数说明

第三层（触发加载）：

• 完整工具示例

• 复杂用法说明

实现模式

def get_progressive_context(task, depth=1):
    contexts = {
        1: get_core_instructions(task),
        2: get_core_instructions(task) + get_constraints(task),
        3: get_core_instructions(task) + get_constraints(task) + get_examples(task)
    }
    return contexts[min(depth, 3)]

# 初始执行用第一层
context = get_progressive_context(task, depth=1)

# 如果失败，加载更多上下文重试
if not success:
    context = get_progressive_context(task, depth=2)

优势

• 降低初始 Token 成本：简单任务只需第一层

• 避免信息过载：复杂规则不干扰简单判断

• 支持自适应深度：根据任务复杂度调整