随着对话进行，messages 会不断累积，很快就超出大语言模型（LLM）的上下文限制。

在不依赖外部存储（如数据库）的前提下，我尝试用一个总结节点（summarizer node） 来压缩上下文。然而，这引出了一个致命的悖论。

致命悖论：用“长上下文”解决“长上下文问题”

---

你可能遇到过 Agent 聊着聊着就“卡住”的情况，比如打印 ---SUMMARIZER--- 后没反应。这源于一个根本性错误：我们让一个“摘要员”去解决对话太长的问题，但它自己却先被“太长”的对话累垮了。

举个例子： 即使我们设定 LangGraph 每 5 轮对话总结一次，或当 Token 长度超过 1500 时总结。但问题依然存在：

1. 卡在阈值： 假设当前 1490 Token，新消息进来变 1510。此时触发总结，summarizer 依然要处理这超长的 1510 Token，极易超时或卡死。
2. 累积盲区： 在总结触发前（比如第 1-4 轮），消息仍在累积。如果某轮出现超长内容，Agent 依然会“爆掉”。

简言之，当对话过长，系统把全部的、超长的对话历史（比如 6000+ Token）交给 summarizer，summarizer 再把它塞给 LLM。LLM 处理巨大请求耗时过久，导致请求“卡住”。

本质是：我们试图用一个本身需要大量上下文的 LLM 调用，去解决上下文过长的问题。这在逻辑上是行不不通的。

破局之道：引入“滚动摘要（Rolling Summary）”架构

---

要彻底解决这个问题，我们需要升级 Agent 的记忆管理：引入滚动摘要机制。

核心思想：Agent 的任何部分，永远不处理完整的、超长的原始对话历史。 我们只关注增量信息。就像你不断更新的笔记，每次只记录最新内容，并定期将旧的零散笔记整理成一个精炼的总结。

如何实现“滚动摘要”？——技术细节与伪代码

1. 升级 Agent 的“状态蓝图”（AgentState）

将 Agent 的对话状态拆分为两部分：

• • summary: 迄今为止所有对话的精炼总结。
• • messages: 自上次总结以来，最新的几条消息。

伪代码：

class AgentState {
    summary: string;     // 滚动摘要
    messages: Array<string>; // 最新消息列表
    // ... 其他状态
}

2. 重构“摘要员”（Summarizer）的逻辑

summarizer 不再处理全部历史，只接收旧摘要和最新消息。它的任务是：合并两者，生成新的、更新后的摘要。完成后，清空 messages 数组。

伪代码：

function summarize(state: AgentState): AgentState {
    // 准备LLM输入：旧摘要 + 最新消息
    prompt = build_summarizer_prompt(state.summary, state.messages);

    // 调用LLM，获取新摘要和更新的记忆
    llm_response = LLM_CALL(prompt);
    new_summary, updated_memory = parse_llm_response(llm_response);

    // 更新状态：
    return {
        summary: new_summary,
        memory: update_memory(state.memory, updated_memory),
        messages: [] // 清空最新消息
    };
}

3. 升级“协调器”（Orchestrator）的提示词

orchestrator（Agent 的“大脑”）的决策依据不再是超长原始对话，而是：

• • summary: 历史背景和长期记忆。
• • messages: 用户最新的输入。

这样，orchestrator 总是能基于精炼、关键的信息做出判断。

伪代码：

function orchestrate(state: AgentState): Action {
    // 构造LLM决策提示：基于总结和最新消息
    decision_prompt = build_orchestrator_prompt(state.summary, state.messages.last());

    // 调用LLM，获取决策
    llm_decision = LLM_CALL(decision_prompt);

    // 解析决策并执行
    return parse_decision_and_execute(llm_decision);
}

4. 调整图的“管道”（Graph Pipeline）

确保 LangGraph 中各节点的状态流转都遵循 summary 和 messages 分离的新结构。

新架构带来的巨大好处

---

• • 告别“卡死”： LLM 不再接收超长上下文，从根本上解决超时问题。
• • 无限对话： Agent 理论上可进行无限轮对话，不受上下文窗口限制。
• • 高效经济： 每次 LLM 调用只处理少量增量信息，大幅降低 Token 消耗和费用。
• • 健壮专业： 这种设计是构建生产级对话 Agent 的标准实践。

通过“滚动摘要”，我们不仅解决了长上下文痛点，更让 Agent 真正具备了“长期记忆”和“无限对话”的能力。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】