Agent State Drift：當 AI 代理開始「迷路」

在建構複雜的 AI Agent 系統時，開發者經常會遇到一個詭異的現象：Agent 在任務開始的前 5 步表現完美，但隨著對話輪數增加，它開始逐漸偏離目標，甚至忘記最初的指令。這種現象我們稱之為 Agent State Drift（代理狀態漂移）。

什麼是狀態漂移？

簡單來說，狀態漂移是指 Agent 的內部上下文（Context）在經過多次迭代後，由於雜訊累積、指令稀釋或錯誤回饋的自我強化，導致其目前的執行狀態與預期的目標狀態之間產生了偏差。

漂移的三個核心誘因

1. 指令稀釋 (Instruction Dilution)：
   隨著對話歷史增長，最初的 System Prompt 被大量的中間過程（Thought/Action/Observation）所淹沒。模型在注意力機制上傾向於關注最近的資訊，導致初始約束力下降。

2. 錯誤回饋循環 (Error Feedback Loop)：
   如果 Agent 在第 3 步產生了一個微小的邏輯錯誤，而後續步驟是基於這個錯誤結果繼續推演的，那麼這個錯誤會被不斷放大。Agent 會試圖透過「合理化」之前的錯誤來維持邏輯一致性，從而徹底跑偏。

3. 上下文碎片化 (Context Fragmentation)：
   當 Agent 呼叫多個工具並獲得大量碎片化回傳結果時，其工作記憶體被填充了過多無關細節，導致其無法從全域視角審視目前進度。

如何對抗狀態漂移？

為了讓 Agent 保持清醒，我們需要引入一套「狀態校準」機制：

• 定期快照與重置 (State Snapshotting)：
  不要讓對話無限增長。每隔 N 輪，將目前的進度總結為一份精簡的 $\text{State Summary}$，然後開啟一個新的會話視窗，僅攜帶 $\text{System Prompt} + \text{State Summary}$。

• 外部監考官模式 (The Supervisor Pattern)：
  引入一個獨立的 Supervisor Agent。它的唯一職責不是執行任務，而是比對 $\text{Current State}$ 與 $\text{Original Goal}$ 的偏差值。一旦發現漂移超過閾值，立即強制 Agent 回溯到上一個正確節點並重新規劃。

• 結構化記憶儲存 (Structured Memory)：
  將關鍵變數（如：已完成的任務清單、目前確定的參數）儲存在外部資料庫中，而非依賴 Context Window。每次行動前先從 DB 讀取 $\text{Ground Truth}$。

總結

Agent 的能力上限不取決於它能處理多少 token 的上下文，而取決於它能多長時間地維持一個穩定的狀態。對抗漂移的核心在於：減少對線性上下文的依賴，增加對結構化狀態的控制。