AI会话上下文压缩翻车实录：我在hermes项目里整理待办任务的避坑指南

AI会话上下文压缩翻车实录：我在hermes项目里整理待办任务的避坑指南

上周在hermes项目迭代中，我让AI编码助手整理过去7天所有会话里的待办任务，结果它把3天前已经关闭的bug修复任务又列了一遍，还顺手把当时已经取消的接口重构需求给“复活”了——这就是典型的上下文压缩（Context Compaction）场景下的待办任务处理翻车现场。事后排查才发现，问题根源根本不是AI能力不足，而是我对上下文压缩的规则理解有偏差，踩了3个几乎所有人都会犯的错。

一、问题本质：上下文压缩不是“删减冗余”，是边界重定义

很多人对Context Compaction的认知是“把过长的对话历史删掉没用的部分，保留有效信息”，但实际上压缩机制的核心是边界重定义：当会话长度超过模型上下文窗口阈值时，系统会把历史对话压缩成精简摘要，同时明确标记Historical Task Snapshot（历史任务快照）、Historical In-Progress State（历史进行中状态）、Historical Pending User Asks（历史待处理用户请求）、Historical Remaining Work（历史剩余工作）四个模块为仅背景参考，不作为当前有效指令。

这次翻车的核心诱因，就是我省略了这个边界规则：prompt里只写了“整理所有会话中的待办任务”，没加“忽略历史已完成/已取消任务，仅以最新指令为准”的限定，导致AI把压缩后的历史快照里的所有任务，无论状态是否有效，全部当成了当前待办。

二、3个高频踩坑实录与根因分析

我们在hermes项目的AI助手使用中，一共踩过3个和上下文压缩相关的典型错误，每一个都对应明确的根因：

1. 把历史任务快照当成当前待办：最典型的就是那个已经完成的“优化用户登录接口响应速度”任务，3天前的会话里已经合并到主分支、状态标记为done，但压缩后的快照里依然保留了这个任务条目，AI没做状态过滤就直接列进了新待办，还附上了当时的实现方案，浪费了半小时排查。
2. 上下文重叠就默认延续旧任务：之前的会话里AI正在做“hermes日志模块重构”，压缩后的摘要里提到了这个任务，后来用户只是问“待办里有没有和日志相关的需求”，AI直接默认要继续推进重构，甚至开始写代码，完全没识别到用户只是要查询，不是要执行。
3. 反向指令无法终止在途任务：有一次AI正在自动整理待办，用户发了“stop，先别整理了，帮我查下部署文档”，结果AI完全没识别到反向指令，还是继续输出整理好的待办列表，根源就是没遵守“反向指令出现时立即终止所有历史在途任务，不重新 surfaced 历史内容”的规则。

针对第一个问题，我们后来写了一个简易的过滤逻辑，从根源上避免历史任务污染当前待办：

def filter_valid_tasks(compacted_context: dict, latest_user_msg: str) -> list:
    # 1. 先过滤掉所有非待处理/进行中状态的历史任务
    valid_tasks = [t for t in compacted_context.get("historical_tasks", [])
                   if t["status"] in ["pending", "in_progress"]]
    # 2. 仅提取最新用户消息明确提到的任务，不自动联想历史任务
    mentioned_keywords = extract_keywords(latest_user_msg)
    return [t for t in valid_tasks if any(k in t["desc"] for k in mentioned_keywords)]

这段伪代码没有涉及任何hermes的内部业务逻辑，核心是先把历史任务的状态过滤掉，再根据最新用户消息的关键词匹配，避免AI自动联想历史内容。

三、我们验证可用的处理规则

踩了3次坑之后，我们给hermes项目的AI编码助手定了3条强制规则，至今没有再出现过同类问题：

1. 上下文边界强制声明：所有涉及跨会话、长上下文的指令，prompt里必须加前缀：“本次任务忽略所有历史会话中的已完成/已取消任务，历史上下文仅作参考，仅以当前最新用户指令为准”；
2. 状态过滤前置：所有涉及任务、bug、需求列表的整理类任务，必须明确要求“仅提取状态为pending/in_progress的内容，历史完成/取消条目一律过滤”；
3. 反向指令优先级最高：只要最新用户消息包含stop/undo/roll back/取消等反向关键词，立即终止所有在途的历史任务，不重新输出任何历史相关的内容。

四、可带走的方法论

这次踩坑最大的收获，不是学会了一个过滤逻辑，而是搞懂了AI长上下文场景下的一个核心规律：上下文压缩后的历史内容，本质是“参考档案”，不是“当前有效指令”。很多开发者遇到AI输出不符合预期时，第一反应是调整模型参数、优化prompt措辞，但实际上很多时候问题出在没守住“历史内容仅参考”的边界。

如果你也在用AI编码助手处理跨会话的任务整理、需求梳理类工作，可以直接复用我们验证过的3条规则，至少能避免80%的同类翻车。