约束即智能：
AI Agent 的 Context 困境

手术后，一切认知指标都正常。

他没法做决定。不是不会分析，恰恰相反，他分析得太好了。选午餐吃什么，他能花半小时权衡每家餐厅的优缺点。选用蓝笔还是黑笔签字，他能陷入无尽的比较。老板解雇了他，妻子离开了他。

Damasio 研究了很久，最后得出结论：Elliot 损伤的那块脑区，负责把情绪和决策连接起来。没有了情绪的"偏见"来帮他筛选，所有选项在他眼里同等重要。所有选项同等重要，等于没有选项重要。

人类的情绪系统本质上是一套筛选机制。当你面对选择时，它把你过去的经验、当前的身体状态、社会信号，整合成一个"感觉"。你不需要推演导致这个感觉的所有原因，情绪直接给你一个倾向。这是一种偏见，但没有这种偏见，你会像 Elliot 一样卡在原地。

表面上看，Elliot 的问题是"情绪缺失"，AI agent 的问题是"context 管理"，一个是神经科学，一个是工程实践。但往深一层看，它们是同一个问题的不同表现：

Elliot 的处理能力没问题，但他失去了告诉他"关注这里、忽略那里"的机制。AI agent 的处理能力也没问题，但 context window 有上限，它必须决定把什么放进去、把什么留在外面。人类用情绪来筛选。AI 用什么？

AI 领域有一个已经被实证验证的现象：context 越长，模型表现不一定越好。研究显示，当 context 变长时，模型容易"迷失在中间"——对 context 开头和结尾的信息关注度高，中间的信息容易被忽略。更多的信息塞进去，反而可能稀释真正重要的内容。

当所有信息都摆在面前，没有机制来区分重要和不重要，系统的表现会下降。这不完全是 Elliot 的问题，但有相似的结构。

AI 领域发展出了一系列技术来应对这个问题。看起来五花八门，但本质上都在做同一件事：

在空间不够时做取舍。两种主流方法各有取舍：

摘要者认为不重要的细节，可能恰恰是后续决策需要的。

把这些技术放在一起看，它们都在回答同一个问题：这一轮推理，LLM 应该"看到"什么？

所有东西都是 context 的一部分，所有决策都是 context 管理决策。

人类解决有限工作记忆的问题已经有很长的历史。组织架构本身就是一套 context 管理系统：

但有一个趋势：AI 的任务正在变化。从单轮问答到长程对话，从执行指令到自主规划，从单独工作到多 agent 协作，任务变得更模糊、更长期、更复杂。这意味着为简单任务设计的 context 管理方式，可能在新的任务类型上失效。

当 context 经过多次处理后，它还可靠吗？

这个问题人类也有，叫组织里的信息失真：一线发生的事，经过几层汇报传到决策者那里，可能已经变形了，每一层都在压缩、都在筛选、都在用自己的框架重新解读。

这些机制的共同点：给被压缩掉的信息一条绕过压缩的路径。

AI 领域正在发生一件事：context window 在快速扩大。

不一定。容量约束消失后，问题不会消失，只会换一种形式。如果你有无限的 context，但没有机制告诉你什么重要、什么可以忽略，你会陷入 Elliot 的困境：所有信息同等重要，等于没有信息重要。

你需要的不是更大的窗口，而是一套筛选标准。

移除一种约束，另一种会变得突出。人类用情绪、直觉、经验沉淀下来的"感觉"来提供认知约束，AI 目前没有对应物，它的筛选标准来自外部：位置、规则、用户指令。当容量不再是瓶颈时，这个缺失会变得更明显。