我做 agent 项目踩过最多的坑，不是 LLM 不够聪明、不是工具调不通、不是 context 不够长，是 agent 跑着跑着把自己跑歪了。
这件事在学术圈有个名字叫 prompt drift（提示漂移）。但很多 agent 教程不会专门讲这个——因为短任务里它不严重，做 demo 时几乎看不出来。只有当你真的尝试让 agent 连续跑 20 分钟、1 小时、1 天，问题才会暴露。
而做 AI4Research 这种月级别长程任务的人，这个坑是绕不开的。这篇是我自己的总结，分四块讲。
漂移的五种表现
(展开待补)
- 角色漂移：agent 忘了自己是谁
- 目标漂移：agent 偏离了原任务
- 约束漂移：agent 违反了禁令
- 风格漂移：输出风格悄悄变化
- 共识漂移：多 agent 互相强化错误前提
漂移的根本原因
四个：
- Context 中段权重低（Lost in the Middle）
- Recency bias（近因偏差）
- Self-influence（agent 自己的输出污染自己的 context）
- 多 agent 回声室
(每个原因详细解释待补)
五种防御手段
按工程复杂度从低到高：
1. Prompt Reinforcement（指令重申）
每 N 轮把 system prompt 的核心部分重新注入 context。简单粗暴，效果立竿见影。
2. Context Compression（上下文压缩）
不让 context 无限累积。Claude Code 的 /compact 就是干这个的。
3. Separation of Concerns（关注点分离）
每个 agent 只负责一件事，任务完成就重置 context。LangGraph、AutoGen 推崇的范式。
4. Verifier 机制
每一步输出都过一个 verifier（规则或另一个 agent），不通过就 reject 重做。
5. Persistent Memory + 主动召回
不靠 context window 记所有事，把关键事实写到外部记忆，每次决策前主动召回。
(每种手段的具体实现、踩坑经验待补)
我自己的取舍
(待补：我做长程任务时实际用的组合、为什么选这个组合、什么场景换什么组合)
检测漂移的工程手段
(待补：埋点、judge agent、embedding 相似度对比等)
草稿。这篇是我个人长程 agent 项目的核心经验之一，会持续打磨。欢迎邮件交流：wizveigar@outlook.com