为什么 LLM 会把简单任务做复杂：上下文经济的隐形成本

大模型经常出现一种奇怪的行为：明明三行代码能解决的任务，它给你写出一整套框架。人类会归因于"AI 爱炫技"，但真正的原因藏在上下文经济（context economy）的机制里。

上下文窗口是一种稀缺资源

LLM 的回答质量高度依赖上下文中的信号密度。当窗口里塞满了工具定义、历史对话、检索片段时，真正重要的指令会被稀释。模型并不是"选择"把任务做复杂，而是在噪声中重新分配了注意力。研究表明，长上下文中段的信息最容易被忽略，这就是所谓的 "lost in the middle" 效应：模型对开头和结尾的信息利用率高，对中间部分显著下降。

训练数据带来的冗长偏置

模型从互联网文本学习，而互联网上的"高质量回答"往往呈现为长文：教程、文档、Stack Overflow 高赞答案都倾向于详尽。RLHF（基于人类反馈的强化学习）进一步强化了这一点——标注员通常给更长、更完整的回答打高分。于是模型内化了一个等式：长 = 有帮助。当你问"怎么改一个正则"，它给你讲一遍正则引擎原理，不是它不懂分寸，而是训练信号就这样教它。

工具循环中的复合膨胀

Agent 系统里问题会更严重。每一步工具调用的结果都追加进上下文：一次文件读取几 KB，一次失败重试又几千 token。五步之后，窗口的大半是中间产物，原始的简洁任务描述反而被埋没。这时模型的"记忆"里最多的是错误日志和调试输出，它的下一步行为自然趋向复杂化——因为它眼中的世界就是复杂的。

三条务实的对策

压缩而非堆积。 定期把中间产物压缩成结构化摘要：保留结论、丢弃过程。成熟的 Agent 框架已经内置 token 压缩机制，原则是"原始输出用完即弃，结论留下"。

任务描述置顶。 把核心约束放在上下文的开头或结尾——模型注意力最高的位置——并在长会话中周期性重申。这是对抗 lost-in-the-middle 最便宜的手法。

为简洁设计奖励。 在 prompt 里显式约束输出形态："给最小可行修改，不解释原理"。也可以用 few-shot 示例示范简短回答的正确样子。模型会服从你设计的格式契约。

小结

LLM 把简单任务做复杂，不是智力缺陷，而是注意力机制、训练偏置与上下文膨胀三者叠加的系统性行为。理解这一点，你就不会再对着输出抱怨"你怎么写这么多"，而是去改造喂给它的上下文结构。在 Agent 工程里，上下文就是操作系统内存——会分页、会碎片、会被泄漏吃掉。管好上下文预算的人，才能管好模型的行为。这或许是这一代 AI 工程最反直觉、也最值得投资的技能。