把智能体真正放进连续业务交互之后，我才开始认真对待“语境污染”这个问题的。在早期Demo阶段，这个问题几乎不会暴露。用户的问题通常是单一的，目标明确，交互轮次也不多，即便上下文处理得并不严谨，模型凭借强大的语言能力，也往往能给出看起来还不错的回答。但一旦你让智能体面对真实用户，让它承担跨场景、多目标、长时间的交互任务，问题就会慢慢显现出来，而且一旦出现，往往并不以“明显错误”的形式出现。
它更多是一种工程层面的不适感：系统开始在一些本不该关联的地方产生联想，在已经结束的话题上继续延伸判断，或者在用户明确切换目标之后，仍然带着上一轮语境的隐含前提去理解新的问题。从那一刻起我才意识到，所谓“语境污染”，并不是模型理解能力不足的问题，而是系统在语境治理上的失职。
一、语境污染并不是“模型想多了”，而是系统没有告诉它该忘什么
很多人第一次遇到这类问题时，直觉反应通常是去怀疑模型：是不是推理不够稳，是不是注意力分配出了问题，是不是Prompt写得不够清楚。但如果你站在工程视角，把一次完整的请求拆开来看，你很快就会发现，模型只是如实地使用了系统交给它的上下文。真正问题在于，系统几乎从未认真回答过这样一个问题：哪些历史信息，对当前判断仍然是有效的？
在大多数智能体实现中，上下文被当成一种“增强理解能力的资产”，只要没有超过token上限，就会被持续累积。用户上一轮提到的角色、目标、限制条件、情绪表达，都会被原封不动地保留在输入里。模型并不知道其中哪些已经失效，也无从判断用户是否已经完成了一次语境切换。于是出现了：用户在前一轮对话中讨论的是某个业务流程，下一轮却突然抛出一个完全不同的问题，而系统仍然在要求模型“结合以上对话内容”来作答。这并不是智能，而是一种被动的语境绑架。
二、真正危险的不是话题切换，而是“隐性前提”的残留
如果只是显式话题的切换，问题反而相对容易处理。用户从“帮我分析订单异常”切换到“顺便问一下你怎么看某个产品”，这种转变在人类看来非常明显。但对系统而言，真正难处理的是那些没有被明确否定、却已经失效的隐性前提。
例如，上一轮对话中用户默认自己是某类角色，或者默认系统处在某个业务阶段，这些前提并不会显式推翻，依然残留在上下文中，继续影响后续判断。模型在生成回答时，会将这些前提视为仍然成立，从而在逻辑上做出“自洽但不正确”的推断。
在工程实践中，这类问题往往最难排查，因为单看当前问题和回答，它们看起来并不荒谬，只有当你回放完整上下文，才会意识到模型是在一个已经过期的语境里做出了合理判断。我不愿意用“理解错误”来描述这类问题，准确的说法是系统没有及时回收已经失效的认知状态。
三、语境是需要建模的系统状态
当我开始重新审视这个问题时，一个判断逐渐变得清晰：语境并不是自然语言的副产品，而是一种系统状态。如果你不显式地管理它，它就会以最不可控的方式存在。
在传统软件系统中，我们对状态的生命周期非常敏感。什么时候创建，什么时候更新，什么时候失效，什么时候被清理，都会有明确的规则。但在智能体系统里，我们却默认“对话历史”可以无限存在，并且永远具有参考价值。
这种默认假设，在连续交互场景下是极其危险的。真正成熟的系统，必须能够区分哪些信息属于长期稳定的用户背景，哪些只是当前任务的临时上下文，哪些内容在一次决策完成后应该立刻失效，这些内容一旦失效继续存在，就会对后续判断产生负面影响。如果这些边界不被系统明确下来，就等于把所有责任都推给了模型，而模型并没有能力为“语境是否仍然成立”这件事负责。
四、如何理解“语境污染防御”
“语境污染防御”并不是一个单独的功能，而是一组系统级约束的结果。它的核心目标并不是让模型更聪明地理解切换，而是让系统在结构上避免建立错误的关联。
最关键的一点，是把“语境切换”视为一种显式事件，而不是隐含在自然语言里的暗示。只要用户的输入触发了与当前任务目标、角色假设或决策路径明显不一致的信号，系统就应该开始重新评估哪些上下文仍然有效。这并不一定意味着立刻清空所有历史信息，但至少意味着要对历史上下文进行降权、隔离或重新分类，而不是继续以同等优先级交给模型。
五、防御语境污染依赖的不是算法，而是结构
很多人会下意识地认为，这类问题需要引入更复杂的模型，或者通过二次推理来判断“用户是不是换了话题”。但在实践中，真正有效的手段，反而是一些看起来非常朴素的工程原则。
首先，必须把用户目标和系统任务状态从自然语言上下文中抽离出来，作为结构化状态单独维护。只要目标发生变化，系统就不应该再默认之前的推理路径仍然成立。
其次，对话历史本身需要被拆解为不同类型的信息，而不是一整块不可分割的文本。澄清性对话、探索性假设、已经完成的决策依据，这些内容在生命周期上完全不同，如果被混在一起，就必然会互相干扰。
最后，也是最容易被忽视的一点，是允许系统“显式地承认不连续”。当用户突然切换话题时，一个健康的智能体系统，应该有能力暂时放慢节奏，确认当前语境，而不是急于在一个可能已经失效的上下文中给出看似连贯的回答。
六、不信任“连续性本身”
早期做智能体时，我们很容易被“对话连贯性”这个指标迷住。连续、自然、不打断，看起来就像一个聪明的助手。但随着系统复杂度的上升，我意识到，盲目追求连续性，反而是语境污染的温床。
真实的业务交互，本来就是不连续的。用户会跳跃、会反悔、会临时插入无关问题，而系统的责任，不是假装这些不存在，而是应该正确地处理它们。在这个意义上，能够在必要时“断开语境”，其实是一种成熟，而不是能力不足。
语境治理，本质上是对系统边界的尊重
语境污染之所以会成为一个问题，并不是因为智能体不够聪明，而是因为我们过于依赖它的聪明，忽略了系统本该承担的那部分工作。当你真正把智能体当成系统中的一个组件，而不是一个万能的大脑时，你就会意识到，它不应该判断哪些上下文已经失效，这本来就是系统设计者的责任。
真正可靠的智能体交互，并不是永远顺着对话往前跑，需要在必要的时候，敢于停下来，重新确认自己站在什么位置、面对的是什么问题。语境污染防御，并不是让模型学会“忘记”，而是让系统决定：哪些东西，本来就不该被记住。
