Agent 是怎么工作的：深入理解上下文窗口

LLM / Harness

讨论 agent，先把大脑和身体分开：

LLM modelsGPT-5.5Opus 4.8

HarnessCodexClaude CodeOpenClawHHermesCursor

上面一行是 model，负责读文字、写文字；下面一行是 harness，负责把 model 写出的 tool call 变成真正的动作。

所以 GPT-5.5 或 Opus 4.8 本身不会读文件、跑测试、改代码、打开网页，也不会访问 GitHub、Slack 或数据库；Codex、Claude Code、OpenClaw、Hermes、Cursor 这类 harness，才会把工具说明书放到模型面前，接收它写出的调用，替它执行，再把结果写回去。

模型每一次判断下一步，都只看 harness 递给它的一份材料。

这份材料，就是上下文窗口。

上下文窗口，就是模型眼前的现场白板

Context window 是 harness 每次调用 LLM 前，递给它的现场白板。

当前任务、系统规则、开发者指令、工具说明书、历史对话、读过的代码、搜索结果、命令输出、patch 记录、测试结果、截图、思考痕迹，都写在这张白板上。

任何东西想影响模型的判断，都必须先进入 window：搜索代码的结果、读取文件的内容、patch 的结果、测试输出、截图和浏览器反馈，都是这样。

LLM 每一次“想下一步”，都在重新读取这张现场白板。它没有别的记忆，只有眼前这份文件。

Agent Loop：想一步，做一步，看结果

我们分析了本地 191 个真实的 Codex session 日志。每一个 turn，都是同一套心跳：

task_started             ← 你按下回车
user_message             ← 你的话进入 window
reasoning                ← 它先想
function_call            ← 它“描述”想跑的命令
function_call_output     ← 身体执行完，结果塞回 window
reasoning                ← 再想
function_call            ← 再干
...                      (循环 N 次)
agent_message            ← 它向你汇报
token_count              ← 记账
task_complete            ← turn 结束

注意 function_call 这个词。模型没有跑命令，它只是写下了“我想跑这条命令”。真正按下执行键的是 harness。执行结果再作为 function_call_output 贴回白板，模型读到结果，继续想下一步。

这就是 agent 和普通 chatbot 的全部区别。单次问答是闭卷考试：一次性给出答案，对错都无法验证。Agent Loop 是开卷实验课：想一步、做一步、看结果、再想。

在我们统计的 19 万条日志事件里，function_call 出现了 28,341 次，reasoning 出现了 16,387 次。每一次，模型都把白板从头读一遍。

Agent 的五类器官：看、改、反馈、记忆、连接

Agent 的身体由五类器官组成：眼睛负责感知，手负责改变世界，神经负责把结果传回来，海马体负责记忆和压缩，触手负责接入更多外部系统。

这些器官本质上都是 harness 暴露给模型的工具。模型用文字写出调用，harness 执行动作，再把结果写回上下文窗口；下一轮，模型读着这张更厚的白板继续判断。

我们把真实 session 里的工具调用归类，正好落在这五个器官上。

真实一轮：你的指令怎么变成下一次行动

理论说完了，逐帧回放一个真实 turn。Erik session，turn 74，你说：

For mobile, let's just do a simple vertical scroll experience

第 1 帧：你说话。 一条 user message 进入 window。

第 2 帧：看清此刻 window 里已经装着什么。 这一轮的输入是 228,649 tokens，其中 219,520 是缓存重放的旧内容，本轮新鲜内容只有 9,129。

也就是说，你的这句话漂浮在一片历史海洋上，新内容只占窗口的 4%，另外 96% 是历史：之前 73 个 turn 攒下的文件读取、命令输出、patch 记录、加密的思考残迹，以及 4 次 compaction 留下的压缩包。

第 3 帧：循环开始。 大脑想，眼睛搜 rg "mobile"，眼睛读相关组件，手改 apply_patch，神经把每一步的结果传回白板，大脑再想，手再改，最后通过人类回路发出汇报，等你的下一句话。

第 4 帧：每一步都留了痕。 这一轮搜过的结果、读过的文件、打过的 patch、传回的每一声回音，全部永久贴进 window，成为 turn 75 那 226,660 tokens 历史的一部分。

一个大脑和它的器官各动了一次，而每一次动作，都让下一次心跳的“眼前文件”更厚一点。

代价：每个动作都会让窗口更厚

现在把五幕连起来看：五大器官的每一次动作都留痕，而且默认不会清除。

于是在我们逐 token 归因的 session 里，window 中 63.1% 是废物：眼睛看过的旧截图占 17.2%，手跑过的旧命令输出占 24.3%，读过又过期的死文件占 15.1%，而真正“活着”的文件阅读只有 6.4%。

你的 agent 不是不聪明，它是被自己的历史压弯了腰。

下次开工，用这副 X 光眼镜检查窗口

下次开 session，带着这几条看：

• 你粘贴的每张截图约 4,000 tokens，且会留在 window 里。
• 你的 agent 每次回答前，都在重读整个 window。
• compaction 不是清理，是打包进一个看不清的压缩袋。
• 想让 agent 跨 session 记住事情，需要外部记忆：EchoMem 或 memory 工具。

它没有魔法。它只是一个不停重读全文的大脑，五个忠实记录一切的器官，和一张越堆越满的工作台。看懂了这三样，你就看懂了你的 agent。

数据来源：context-golden-standard 项目对真实 Codex session 的逐轮解剖。事件计数来自 JSONL archive（~/.codex/sessions），payload 逐项 token 计数来自 SQLite log（~/.codex/logs_2.sqlite）的 response.create 请求体；窗口占比来自 retained-window 重建与 SESSION_WASTE_DASHBOARD 数据集。