上下文

在AI领域，"上下文"的范畴正在从token窗口长度扩展至涵盖任务流程、状态管理乃至认知机制。近期进展集中在三个方向：一是模型上下文窗口竞赛，NVIDIA发布198B MoE模型Step 3.7 Flash，支持256K上下文，而端侧模型如Liquid AI的LFM2.5-8B-A1B（仅1.5B活跃参数）也通过MoE架构在有限资源内维持长上下文能力；二是将上下文作为动态编排工具，Anthropic的Claude Opus 4.8引入动态工作流，子代理上限达1000个，Claude Code的Dynamic Workflows让agent自主管理项目上下文，Bun Zig→Rust迁移11天完成（Claude Code 推出 Dynamic Workflows），LangChain的Deep Agents v0.6则通过ContextHubBackend实现行为文件版本化；三是探索上下文之外的机制，CMU研究揭示LLM需"睡眠"来重置上下文积累以提升推理性能（CMU研究：LLM“睡眠”机制提升复杂推理性能），而In-Context Reward Adaptation论文通过上下文学习实现鲁棒偏好建模（In-Context Reward Adaptation）。当前焦点在于：上下文并非万能，其管理、压缩与替代方案（如"睡眠"或子代理协作）正成为新瓶颈。未来需观察上下文窗口规模的实用性与计算成本的平衡，以及动态工作流是否能让个人AI智能体真正卸载管理负担（ClawTalks EP5）。