第十七章: 上下文工程的质量诊断:四种失败模式

0 阅读2分钟

  前面我们讨论了 Context Rot——上下文变"长"带来的量变退化。但在生产环境中,还有一类更隐蔽的问题:上下文变"脏"带来的质变故障。Drew Breunig 在其博客文章《How Long Contexts Fail》(2025 年 6 月)中总结的四种上下文失败模式,被 LangChain 引用并在 GitHub 仓库 langchain-ai/how_to_fix_your_context 中实现,是工程师排查 Agent 表现异常的核心诊断框架:

来源:Drew Breunig 博客文章,发表于 2025 年 6 月 22 日,原文链接。

四种上下文质量失败模式

失败模式定义典型症状修复方向
Context Poisoning(上下文中毒)幻觉或错误信息进入上下文,污染后续推理Agent 基于错误前提做出看似合理的推理添加验证步骤、工具结果交叉检查
Context Distraction(上下文干扰)信息量过大淹没模型训练时学到的知识Agent 开始"忘记"基本能力,简单问题也答错压缩、裁剪、控制 token 总量
Context Confusion(上下文混淆)无关上下文影响模型输出回答偏离主题,受不相关信息影响相关性过滤、作用域限制
Context Clash(上下文冲突)上下文中的信息互相矛盾Agent 给出自相矛盾或反复摇摆的回答矛盾检测、时间感知更新、去重

20260409140528818.png

  这四种模式和 Context Rot 的区别在于:Rot 是"量"的问题(token 太多导致注意力衰减),而这四种是"质"的问题(信息本身有毒/有噪/有冲突)。一个常见的排查流程是:Agent 表现下降 → 先检查 token 总量(排除 Rot)→ 再逐一排查四种质量问题。例如,ChatGPT 曾出现过将用户地理位置意外注入图片生成的案例(AEO Agency 2026 年实验:即使在匿名模式下,ChatGPT 也会根据 IP 地址在某些查询中注入地理位置信息)——这就是典型的 Context Confusion:记忆检索返回了与当前任务无关的上下文。

踩坑预警:Context Poisoning 是最危险的失败模式,因为它的症状看起来像"模型在正常推理"——只是前提就是错的。最常见的来源是:(1)前序工具调用返回了幻觉数据;(2)LLM 摘要时引入了不存在的细节;(3)多 Agent 架构中子 Agent 的错误结论被主 Agent 当作事实。防范方法:关键决策前增加验证步骤,不盲信上下文中的"事实"。