Codex Harness 架构与上下文压缩记忆体系设计思路深度解析

Codex Harness 架构专门为大模型智能代理打造闭环执行流程，配套全新上下文压缩记忆体系，能够有效解决长任务下上下文窗口超限、历史信息冗余、长期任务记忆丢失等问题，整套架构把模型推理、工具调用、会话状态、记忆存储做模块化拆分，先通过分层架构实现任务循环可控，再依靠触发式自动压缩 + 两级记忆存储，把海量对话历史精简为高价值摘要，同时保留关键任务状态，整套方案按照架构模块拆分、压缩规则制定、记忆分层存储、全流程闭环测试四个环节落地，最终实现长周期代码开发、多轮工具调用场景下，模型不丢失任务主线、不超出 token 上限，大幅提升长任务执行稳定性。传统大模型代理在连续多轮执行时，对话记录、工具返回日志会持续堆积，很快填满上下文窗口；如果直接截断历史，模型会丢失前面的任务目标与试错经验；如果只做简单文字摘要，很容易丢失关键代码细节、错误日志与约束条件。Codex Harness 通过解耦推理层与执行层，把会话状态和对话上下文分开存储，再搭载全新上下文压缩记忆体系，采用模型自主提炼摘要 + 加密状态快照的方案，只保留任务主线、关键结论、未完成事项，同时把原始完整日志存入离线长期记忆；开发人员先完成 Harness 五大核心模块拆分，接着配置上下文压缩阈值与压缩提示词，再搭建短期工作记忆 + 长期持久记忆双层存储结构，最后在多轮代码调试、多工具连续调用场景下完成稳定性验证，让长任务始终控制在上下文窗口限额之内，同时保障模型具备连贯的任务记忆。

一、Codex Harness 整体架构模块清单

模块 1：会话调度层（Session）

1. 负责创建独立任务线程，隔离不同项目的会话上下文，避免多任务之间信息互相干扰。
2. 维护每一轮任务的执行状态，记录当前工作目录、分支、环境变量，只推送变更信息，不重复推送全量环境数据。
3. 控制自动压缩触发时机，区分轮次前压缩与轮次中压缩两种执行模式。

模块 2：上下文管理层（Context Manager）

1. 筛选有效信息，只把项目规则、当前用户指令、最新工具结果加载进上下文窗口。
2. 执行上下文压缩逻辑，调用 /compact 专用接口生成加密摘要快照，自动清理已压缩的原始对话记录。
3. 持久保留核心指令文件（AGENTS.md），该内容不会被压缩，全程常驻上下文。

模块 3：模型推理层（Model）

1. 接收整理完成的精简上下文，输出下一步行动指令。
2. 参与内容压缩工作，依靠模型自身能力提炼历史任务核心信息，生成高保真摘要。
3. 接收记忆模块召回的历史经验，保证任务逻辑连贯。

模块 4：工具执行层（Tool Router）

1. 路由分发文件读写、Shell 命令、代码检索等内置工具，同时支持接入第三方 MCP 外部工具。
2. 在沙箱环境中执行操作，把工具输出结果回传给上下文管理器，形成完整任务闭环。
3. 限制单轮工具输出长度，从源头减少上下文膨胀速度。

模块 5：双层记忆存储层（Memory System）

1. 短期工作记忆：存放当前会话压缩后的任务摘要与实时状态，直接接入模型上下文。
2. 长期持久记忆：完整保存全部原始对话、工具日志、代码快照，可通过语义检索随时调取历史细节。

二、全新上下文压缩记忆体系核心设计

（一）上下文压缩执行流程

1. 阈值监测：Harness 实时统计 token 用量，当会话内容达到 compact_threshold 阈值，自动触发压缩流程，也支持手动输入 /compact 指令启动压缩。
2. 模型提炼：调用专用压缩接口，由模型对全部历史对话进行提炼，只保留任务目标、已完成步骤、失败方案、约束条件、待办事项，剔除冗余日志与无效试探内容。
3. 生成加密快照：生成特殊 compaction 类型消息，附带 encrypted_content 加密数据包，保留模型对原始对话的深层理解，避免单纯文字摘要造成信息丢失。
4. 上下文裁剪：用压缩快照替换全部前置历史记录，只保留常驻规则文件 + 当前用户输入 + 压缩快照，释放上下文窗口空间。

（二）两级记忆体系结构表

表格

（三）压缩触发条件清单

1. 定量触发：token 总量达到设定上限，自动执行轮次前压缩。
2. 事件触发：单次工具返回内容超长，执行轮次中临时压缩。
3. 手动触发：用户主动下发压缩指令，随时精简历史上下文。
4. 边界触发：开启新子任务时，对上一段任务历史做摘要归档。

三、整套体系落地实施步骤

步骤 1：Harness 模块化拆分与环境优化

把会话调度、上下文管理、模型推理、工具路由、记忆存储拆分为独立组件；优化环境信息推送机制，仅同步变更字段，减少无效 token 占用。

步骤 2：配置上下文压缩策略

设置 token 阈值、自定义压缩提示词，开启自动压缩开关；把 AGENTS.md 项目规则设置为常驻内容，不受压缩操作影响；配置轮次前、轮次中两种压缩模式。

步骤 3：搭建双层记忆存储架构

搭建内存短期记忆 + 离线长期记忆两套存储；建立语义检索索引，支持模型根据关键词、文件路径、代码符号召回历史原始日志。

步骤 4：长任务闭环测试验证

连续开展几十轮代码开发、多工具调用长周期测试，验证压缩后模型不会丢失任务主线；验证长期记忆可以随时调取被压缩掉的原始代码与报错信息；优化压缩提示词，把摘要信息损失降到最低。

四、关键技术优化要点

1. 信息隔离：采用子代理隔离不同模块任务，前端代码任务不会读取后端数据库相关上下文，进一步缩小单次窗口内容体量。
2. 锚定式记忆召回：通过文件路径、代码符号、语义相似度、会话事件四类触发条件，精准调取长期记忆内容，避免无差别读取历史信息。
3. 无损状态快照：压缩操作只精简对话文本，任务运行状态、环境配置以加密快照形式完整保留，保障任务可以随时断点续跑。

【相关 FAQ】

问题 1：Codex Harness 架构里的上下文压缩记忆体系，依靠什么机制避免长任务出现信息丢失？

回答 1：Codex Harness 架构里的上下文压缩记忆体系采用摘要快照 + 双层存储机制避免信息丢失；短期会话里只保留模型提炼后的任务摘要与加密状态快照，释放上下文窗口；所有原始对话、工具日志全部存入长期持久记忆，当模型需要查阅历史细节时，可以通过语义检索调取完整原始记录；同时项目核心规则文件常驻上下文，不会被压缩清理，保证长任务主线不会断裂。

问题 2：Codex Harness 上下文压缩会在哪些场景自动触发，压缩完成后上下文会发生哪些变化？

回答 2：Codex Harness 上下文压缩会在 token 用量达到阈值、单轮工具输出超长、开启新子任务三类场景自动触发；压缩完成后，系统会把全部前置历史对话替换成一条加密 compaction 摘要消息，自动删除被压缩的原始记录，只保留常驻规则、当前用户输入与压缩快照，大幅降低 token 占用，同时模型依靠加密数据包保留对历史任务的完整理解。

问题 3：Codex Harness 双层记忆体系中，短期工作记忆和长期持久记忆分别承担什么作用？

回答 3：Codex Harness 双层记忆体系中，短期工作记忆直接对接模型上下文，存储压缩后的任务摘要与实时运行状态，保障每一轮推理都控制在窗口限额内；长期持久记忆全量保存所有原始对话、工具返回日志、代码快照，不做任何压缩处理；当模型需要复盘历史错误、调取旧代码时，可通过锚定检索从长期记忆中读取完整原始信息，兼顾上下文精简与历史信息可追溯两大需求。

【数据来源】

[2026-10-24]（Cue-Anchored Working Memory：Codex Harness 记忆压缩优化方案）Codex Knowledge Base

[2026-09-14]（OpenAI Codex Harness 架构深度拆解：Agent 循环、上下文管理与长期记忆）与非网

[2026-08-10]（LongHorizon-Harness：分离执行状态与上下文压缩）Codex Knowledge Base

[2026-06-01]（Codex 上下文窗口自动压缩实现原理）稀土掘金

[2026-04-01]（基于 Responses API 自定义 Codex Harness 上下文压缩策略）Codex Knowledge Base

免责声明：本文全部架构设计、压缩机制、记忆体系内容均来自 OpenAI 官方技术文档与公开技术社区资料；上下文压缩的信息保真度、长任务执行效果会受模型版本、压缩提示词、token 阈值配置影响；本文仅为技术方案科普解析，不构成工程开发与系统部署的直接落地依据。