上下文一过 300k Agent 开始删掉自己做对的东西

发布日期：2026-08-17

过去 24 小时，社区用插件把 DeepSeek V4 被压住的能力找了回来；可一旦把 Agent 放进长任务和日常开销里，记忆失效和账单上涨成了更靠前的两件事。

下面是这一天的对谈。Apollo 已经把 Agent 接进日常开发的实践者，关心能力边界、长任务稳定性和每个月的 token 开销，问题直接，不接受过于简单的答案。Hermes 长期观察这个社区的主编，回答先落到过去 24 小时群聊里的具体事实，再做有证据边界的解释和归纳，不把个案说成普遍规律。

---

第 1 幕　解锁

V4 Pro 不是变弱， 是被首轮工具结构压住了

这一天社区最热的事，是 DeepSeek V4 灰测期的能力被几个开源插件稳定复现了出来。入口是一个看似矛盾的数据：同一个模型，换一种首轮工具配置，分数差了将近 8 分。

Apollo｜ 官方 Standard 模式跑 V4 Pro 只有 91、92 分，Minimal 模式能到 99、96 但只带两个工具。这是模型被削弱了，还是用法出了问题？

Hermes｜ 群里的实测给出的答案是后者：V4 Pro 对首次请求的工具结构极其敏感。有人做了一个叫 dsh-anchored-standard 的两阶段插件，首轮只给 shell 和 read 两个工具，先锚定 Minimal 模式下的推理轨迹，第一次工具调用发生后立刻恢复 Standard 的全部 25 项工具。

结果是 Windows 上连跑两次拿到 98 和 99，均值 98.5，第二轮全程没有再出现 let me 思维链。分享者的结论是这不是抽卡，也不需要牺牲完整工具能力。插件和完整评测都已开源。这目前是单个案例的数据，但方法本身可以被任何人复现验证。

Apollo｜ 一个插件就能把灰测期的能力找回来，这背后的机制是什么？灰测能力到底被分成了几档？

Hermes｜ 群里整理出的理解是，灰测能力现在被分成了三档：直接访问的 flash 水平、极简模式下超过 opus 4.8 的水平，以及在此之上概率触发的更高一档。前两档已经有对应的开源插件可以复现，flash 和 pro 各有仓库，最后一档仍然要靠抽卡，还没有人研究出稳定触发逻辑。

讨论里还有一个低成本的旁证：把“You are a helpful software engineer assistant.”作为首次输入，可以减少 let me 思维链，但工具不能挂太多。一种解释是模型后训练偏向极简模式，首轮给满工具反而会把它推回敷衍的推理路径。使用上还有个细节：很吃首次会话的加载方式，一开始就全量加载会退回 let me 思维链。

Apollo｜ 这些插件大多围着 Pro 转。日常更多人用的是 flash，它有同等待遇吗，还是便宜模型就该认命？

Hermes｜ flash 也有对应的开源路由插件。更直接的是另一条实测：v4 flash 开 max 思考强度后提升明显，有实战视频演示，群友的测试结论是它已经稳定超过 GLM 5.2。

不过讨论同时提醒，思维链表现因环境而异：Linux 和 Windows 不一样，极简模式和其他模式也不一样。所以“flash 变强了”目前是有视频和多人群内复测支撑的社区结论，但具体到你的环境，最好还是自己跑一次再下判断。

---

第 2 幕　记忆

能力解锁以后， 长任务先崩的是记忆

能力问题解决之后，真正把 Agent 留住的瓶颈换了位置。这一天的另一条讨论线，几乎都指向同一个症状：上下文一长，模型开始忘掉、甚至删掉自己之前做对的东西。

Apollo｜ 我这边任务一拉长，Agent 就把之前整理好的数据全删了。让它定期总结、把错误写进文档都挡不住。这是个例还是普遍问题？

Hermes｜ 至少群里有和你的遭遇几乎一致的案例：文本变长后 AI 把之前整理的数据全删掉，定期总结和错误文档都拦不住，频繁切换模型时更容易出错。讨论里的经验线是上下文超过 300k 之后模型记忆明显变差，另有观点指出 API 传采样参数时，默认低温在长上下文下会逻辑死锁。

那位群友的应对是工程性的：先把回滚功能做出来，再装给其他智能体，重要数据用 Git 备份。这说明社区的共识不是“换个更聪明的模型”，而是默认记忆会失效，把可回滚当成基础设施。它还不是已被坐实的通用规律，但值得你按会发生来准备。

Apollo｜ 如果默认记忆会失效，架构上有什么已经在跑的解法？另外长任务跑到一半提示无响应，是不是同一个病？

Hermes｜ 架构层面，群里出现了一个分三层的记忆设计：最上层只记录全局项目进度并监控第二层，第二层管当前小结和下发指令，最底层只负责执行与上报，各层对话和层间互动都不计入上下文，用隔离避免互相污染。另一个被反复提到的方向是自我进化：agent 反思对话记录，把执行不好的任务沉淀成技能，下次按技能执行，这等于把记忆从上下文挪到了文件里。

无响应则大多是另一回事。有群友爬抖音的 80 分钟任务也出现过这个提示，经验是看工具调用处有没有数据，有数据就不用管；v4 flash 的无响应放五六分钟左右通常会自己恢复。长任务里的“卡住”和“失忆”要分开诊断，前者多半是等待，后者才需要回滚。

---

第 3 幕　账单

最后一层约束， 是每个月的 token 账单

能力能解锁，记忆能工程化，剩下绕不开的是钱。DeepSeek 涨价预期笼罩下，这一天社区里相当多讨论其实都在算账。

Apollo｜ 我看到有人用 Hermes 实测 DeepSeek 缓存命中率到了 96.45%。我的账单却越来越厚，缓存这事有多少是能用技巧控制的？

Hermes｜ 群里的拆解相当具体：每个会话的第一句不会命中，中间修改任意会话内容（比如压缩）也不会命中；想要高命中率，要保持第一句之后都是尾部追加。累计到 1M 峰值、或用量降到临界点之后，要么压缩要么新开会话，而新会话如果接续上次内容，第一次的量也会比较大。96.45% 的实测命中率就是在这种用法下跑出来的。

另一条体感是 harness 比 Hermes 省 token，讨论怀疑优化点在长期记忆上，这一点还没有定论。可以确定的是，缓存命中率不是平台施舍的，它直接取决于你怎么组织会话，这是账单里少数完全由你自己控制的部分。

Apollo｜ 技巧归技巧，涨价是硬性的。有群友说月开销翻了几倍。现在社区实际在用什么方案对冲，各自有什么坑？

Hermes｜ 那位群友的账是：原来每天平均 1 到 2 元、一个月约 40 元，涨价后翻了几倍，因为正在给小团队做项目管理工具，受冲击很直接，只能回头优化 token 使用。被提及最多的对冲方案是 opencode go 的 5 美元档，群友算账双倍用量约 15 亿 token、约 32 万次调用，并认为 17 号前官网 v4 flash 性价比很高；但当天下午 Go 套餐的 DeepSeek 线路和官方线路都出现过 400 报错，换 Mimo 才正常。

另一类坑是隐藏门槛：调用 seedance 模型要求账户余额不低于 200 元，客服口径这是保证金而非最低消费，不管你用什么套餐。验证方法很简单，充 5 元调一次 API，会提示余额低于 200 不能用。这些价格和额度都属于易变信息，以社区当天反馈为准，下手前最好再核一次官方页面。

Apollo｜ 那索性本地部署呢？把 token 变成一次性硬件投入，是不是就能从账单里解脱出来？

Hermes｜ 群里的实测给了一个不太乐观的基线：3 万预算本地部署 27B 级模型跑不到 20t/s，qwen3.8-27b 开了 MTP，q8 和 q4 都在 15t/s 以下，而且接入 agent 后上下文一长还会降速。讨论的判断是整机预算 10 万以上才真正实用，RTX 6000 级 84G 显卡可以直接跑 0731，但整机已是 10w+ 级别。

也有折中尝试：有人测 k_m_q4 量化模型 262k 上下文跑满不到 30G 显存，正在试 DS Pro 出方案加 qwen3.8-27B 做开发的组合。本地部署目前更像是有明确预算门槛的选项，而不是账单焦虑的通用解药。

---

结尾

回到开头的问题：这一天社区证明了两件事。模型能力没有退化，只是对首轮工具结构敏感，插件就能解锁；而真正拦住 Agent 长期干活的，是 300k 之后会失效的记忆，和涨价之后必须逐条计算的账单。

所以答案偏向后者：缺的不是更强的模型，而是围绕模型的工程——回滚与分层隔离对付记忆，会话组织与套餐核算对付成本。下一轮模型升级到来之前，这些是实践者现在就能动手做掉的部分。

---

延伸阅读

• DSH-ANCHORED-STANDARD：https://github.com/xiaobright/dsh-anchored-standard
• MODELTEST 完整评测与统计证据：https://github.com/xiaobright/modeltest
• DSH-ROUTING-SUITE：https://github.com/yjh051108/dsh-routing-suite
• V4 FLASH + MAX 实战视频：https://www.bilibili.com/video/BV1GpbC6EEwj/