Chase Harrison（LangChain 联合创始人）提出了一个系统性框架：把 Agent 的 Context 看成三层结构，每层有不同的更新频率和业务语义。

三层 Context

Agent Level Context：单个 Agent 在执行任务过程中积累的上下文。这是狭义的记忆——当前任务的进度、中间状态、尚未完成的子目标。每次对话结束后，Agent 需要决定把哪些信息写回这个层级。

User Level Context：这个用户是谁、偏好什么、长期目标是什么。这是跨 session 持久化的用户画像，所有 Agent 共享。用户的偏好不是每次都重新问——要么从一开始就用这个 Context 初始化 Agent，要么作为系统级 Prompt 注入。

Org Level Context：整个组织或团队的共享知识。团队的工作流规范、常用工具、业务术语、近期项目状态。这让新 Agent 或新用户加入时，不需要从零摸索这个团队是怎么运作的。

三层可以独立使用，也可以混合搭配。比如一个 Agent 可以同时有 Agent 级别和 User 级别的 Context 更新，再加上 Org 级别的知识注入。

两种更新路径

离线批处理（After the fact）：类似 Harness 的思路——定期跑一个离线任务，扫描大量最近执行过的 traces，提炼出值得保留的洞察，更新到对应层级的 Context。比如每周跑一次，把这周所有项目相关的对话提炼成 Org Level 的摘要。

热路径实时更新（In the hot path）：Agent 在执行核心任务的同时，顺带决定要不要更新自己的记忆。Agent 发现某个信息重要，主动写进去。这需要 harness 本身支持在主循环里插入 Memory 操作。

另一个维度是：记忆更新的显式程度。是用户明确要求 Agent记住这件事，还是 Agent 根据 harness 里的核心指令自己判断该记什么？前者是用户驱动的 recall，后者是 Agent 自驱的 introspection。

Trace 是燃料

整个框架依赖一个基础设施：Trace——完整记录 Agent 做了什么、怎么做的。LangChain 的 LangSmith 平台（以及他们开源的 LangGraph）承担这个角色。Trace 驱动三条路径：

  • 模型训练：收集高质量 traces，微调自己的模型
  • Harness 改进：把 traces 喂给 coding agent，让它分析失败模式，改进 Agent 的指令和环境配置
  • Context 累积：从 traces 里提炼知识，自下而上更新 Agent / User / Org 三个层级的 Context

为什么重要

Context 管理是 Agent 从玩具走向生产力的门槛。大多数 Agent 系统遇到的问题是：每次新建 session 从零开始，用户必须重复说背景信息。Chase 提出的三层架构，给出了一个可操作的分类学：不是把所有东西都塞进 Context Window，而是按生命周期和作用域分层，让更新变得有结构、可工程化。