Codex为Agent装上“外部记忆”：长任务不再因压缩而缩水

面对长任务，AI Agent常因上下文窗口有限而被迫压缩记忆，导致细节丢失、任务缩水。近日，Codex在其代码库中新增了_context工具，让Agent能感知自身上下文剩余空间，不再依赖反复压缩。结合新增的工作注释与历史查询能力，Codex CLI可能正酝酿新的长任务记忆机制：当上下文窗口将满时，直接切换至新窗口，切换前留下工作注释，切换后可查询此前完整对话记录。这相当于为Agent配备“外部记忆”，旧记录作为档案保留，可随时回溯。

此前，Codex采用的上下文压缩存在有损问题，连续压缩后细节易丢失，可能导致Agent遗忘关键用户要求、报错信息或已否决方案的原因。用户Nico发现，GPT-5.6版本数据压缩后保真度下降，并顺代码线索发现Codex正在准备新的上下文管理方式。截至发稿，OpenAI官方文档仍将compaction列为长任务管理机制，该功能可能仍在测试或准备转向阶段。

新方案包括三部分：硬切上下文窗口、工作注释、历史记录查询。窗口接近上限时，Codex结束当前阶段，在新窗口继续工作，类似工程团队换班；工作注释记录目标、进度、失败方案与后续计划；历史记录作为档案保留，新窗口Agent可搜索旧记录找回细节。记忆模式从“反复改写的总结”变为“当前工作台＋交接笔记＋可搜索档案”，避免系统在压缩时预判未来需求，而可在问题出现后检索相关历史。若机制运行理想，可减少重复说明、token浪费及对正确代码的二次破坏，但注释可能写错或遗漏，且Agent可能未意识到需要检索历史，评价关键在于能否在正确时机使用这些工具。

_context工具让Codex提前感知上下文容量，空间充足时继续探索，将满时收束思路、沉淀结论并备好交接材料，相当于增加“剩余油量表”，补上“上下文自知”能力。

此思路并非Codex首创。Nico指出AmpCode已尝试且反馈良好；开发者社区也有手动方案，如持续更新plan.md、生成交接提示词后清空对话等。这些工作流共同承认：与其假装Agent拥有无限连续记忆，不如拆分任务、建立明确交接点。Codex CLI的差异在于能自行读取剩余容量、决定整理笔记及切换时机。

过去两年，大模型厂商在上下文窗口上激烈竞争，从几十万token升至百万级。Codex此次方向提供另一种思路：Agent不一定需将所有信息置于脑中，可教会其记笔记并在快写满时换新笔记本。若机制落地，可能重塑模型记忆路径，提示可靠AI记忆不是永远不忘，而是即使遗忘也知道如何找回。这对构建Agent的团队与开发者而言，是值得审视自身架构的信号。