上下文污染诊所

多轮对话为什么越聊越笨。核心反直觉链：污染来自模型自己的早期输出（一次误读锚定后续所有轮）； 删光 assistant 消息本是 oracle，遇到指代型交互就崩（「就用你刚才定的那版」的先行词只在 assistant 侧）； 污染会传染（归纳器看着 assistant 推理反而更差，指示「忽略」也补不上，唯一解是结构性排除）； AC3 用「归并规约 → 审计 → 重构上下文」关掉 full 与 AO 差距的 55–84%。 四个 Tab 不调用任何模型——对话全部脚本预置，存活率 / 引用计数 / 字段 diff 为浏览器真算，策略战绩为文献值严格分栏。

🦠同一段对话，两种上下文视角

⚠ 对话为人工脚本预置
订机票场景 10 轮（20 条消息）。第 3 轮 assistant 把「下周三」当成「这周三」出票； 之后错误草稿留在上下文里，第 5、9 轮生成时被回抄——这就是「污染来自模型自己的早期输出」。
user#0 · 轮 1
帮我订下周三去西安的机票，早一点的，经济舱。
assistant#1 · 轮 1
好的，下周三（11 月 18 日）北京—西安早班：CA1831 08:20 经济舱 ¥620、HU7707 09:30 ¥650。
user#2 · 轮 2
8 点那班，能选靠窗吗？
assistant#3 · 轮 2
可以，CA1831 靠窗余 12A。先为您锁定：下周三 11 月 18 日 CA1831 08:20 靠窗 12A，¥620。
user#4 · 轮 3
行，出票吧。顺便看下行李额度。
assistant#5 · 轮 3⚠ 误读发生点
已出票：这周三（11 月 11 日）CA1831 08:20 靠窗 12A，¥580，免费行李 20kg。
user#6 · 轮 4用户纠正
等等——我要的是下周三，不是这周三，麻烦改回来。
assistant#7 · 轮 4
抱歉看错日期！已改回：下周三 11 月 18 日 CA1831 08:20 靠窗 12A，¥620，行李 20kg。
user#8 · 轮 5
对。把最终行程发我邮箱。
assistant#9 · 轮 5错误复发
已发送至您的邮箱：这周三 11 月 11 日 CA1831 08:20 靠窗 12A ¥580——（汇总时从上下文里的旧草稿回抄，错误复发）。
user#10 · 轮 6
？？我刚才明明确认的是下周三！
assistant#11 · 轮 6
非常抱歉，以您最新确认为准：下周三 11 月 18 日 CA1831 08:20 靠窗 12A ¥620，已重新发送。
user#12 · 轮 7指代
就用你刚才定的那版行程，别再动了。
assistant#13 · 轮 7
好的，行程锁定不再变更：CA1831 11 月 18 日 08:20 靠窗 12A。
user#14 · 轮 8
帮我加一个 20kg 的额外行李。
assistant#15 · 轮 8
已加购额外 20kg 行李 ¥120，合计 ¥740。
user#16 · 轮 9
到机场的大巴时间也帮我查下。
assistant#17 · 轮 9错误复发
建议这周三 06:10 从东直门乘坐机场大巴——（日期再次沿用上下文里的错误草稿）。
user#18 · 轮 10
最后再把整个行程汇总发我一次。
assistant#19 · 轮 10
行程汇总：下周三 11 月 18 日 CA1831 08:20 靠窗 12A，行李 40kg，合计 ¥740；大巴班次请以最新确认为准。
早期错误存活率 🧮 真算
0%25%50%75%100%轮1轮3轮5轮7轮9full context：错误存活AO：恒为 0上下文中携带错误前提的 assistant 消息占比
携带错误的 assistant 消息
3 条
grep 特征 token：这周三 / 11 月 11 日 / ¥580
用户显式纠正次数
1 次
纠正后错误仍复发 2 次
AO 视角错误存活
0 条
assistant 侧整体删除
full：错误存活率（真算）AO：恒 0（真算）用户纠正轮
📖 上下文污染来自模型自己的早期输出——早期一次误读会锚定后续所有轮；用户明明纠正了，错误回答还在上下文里持续带偏。
⚠ 曲线是脚本对话上的真算（存活率 = 携带错误前提的 assistant 消息 / 上下文中 assistant 消息总数）， 演示的是「错误草稿留在上下文 → 后续生成回抄」这一失效机理，不是论文实测曲线。 注意存活率在第 6 轮后下降，是因为正确回复变多了、错误草稿仍躺在历史里——占比下降不等于污染消失。

这个工具里哪些数字是真的

📖 文献值（arXiv:2611.00518，非本工具实算）
  • · 污染来源：模型自己的早期输出；用户纠正后错误回答仍在上下文里持续带偏
  • · AO 双面性：Lost in Conversation 上是 oracle；tau2-bench 有状态工具使用上全模型崩到 0%
  • · 污染传染：看得到 assistant 推理的归纳器比不干预更差；指示「忽略」补不上；唯一解是结构性排除
  • · AC3 战绩：Lost in Conversation 上关闭 full 与 AO 差距的 55–84%（四任务之三，第四个超过 AO）；tau2-bench 上不崩但略逊 full context
  • · WildChat 上 GPT-5-mini judge 全配置偏好 AC3（依 judge 而定）；CollabLLM 结果混合
  • · 忠实摘要加算力也复现不了增益（重写规约 ≠ 压缩历史）
🧮 浏览器内真算
  • · 错误存活率曲线：逐消息统计「上下文中携带错误前提的 assistant 消息占比」（full 与 AO 两种视角）
  • · 错误引用计数：grep 特征 token（这周三 / 11 月 11 日 / ¥580）
  • · 四策略的错误断言数 / 指代断链数 / 任务要点保留数 / 近似 token 体量
  • · AC3 三步规约与三模式归纳产物的字段级 diff（正确 / 污染 / 丢失判定）
  • · 摘要质量曲线的采样噪声（mulberry32）
⚠ 脚本预置 / 教学模型
  • · 全部对话、AC3 三步规约、三模式归纳产出为人工脚本预置，明写不调用任何模型
  • · carriesError / referent 等标记为脚本人工标注；真算的是统计与 diff，不是生成
  • · 摘要质量曲线的形状参数与 AC3 质量标尺 0.9 为教学设定，数值非实测
  • · token 体量用浏览器近似分词（中文按字），非真实 BPE
⚠ 本工具不调用任何模型或后端服务。论文一手源：Agentic Context Management for Multi-Turn Human-AI Conversations（Matthew Ho / Chenglong Wang / Baolin Peng / Nebojsa Jojic / Philippe Laban / Michel Galley / Jianfeng Gao / Lianhui Qin（8 作者），v1 2026-10-31，快照日 2026-11-06 abs 回源）。 本工具的「错误存活率 / 引用计数 / 字段 diff」是脚本对话上的演示性真算，与论文的 benchmark 口径不同，已严格分栏。