Codex 记忆系统迎重大升级：告别上下文压缩，拥抱硬切换机制

在 AI 辅助编程领域，上下文窗口的容量限制一直是制约长任务执行效率的关键瓶颈。当开发者使用 Codex CLI 处理复杂项目时，任务周期往往跨越数小时，涉及数十个文件的修改与调试。传统的上下文压缩机制虽然能够腾出空间继续工作，但这种「有损压缩」策略常常导致重要细节被遗弃——比如某次失败尝试的根本原因、某个依赖包不可升级的具体背景。当环境发生变化时，AI 很可能重蹈覆辙，重复执行已被验证无效的解决方案。

从压缩到切换：记忆机制的范式转变

开发者 Nico Ritschel 近期披露的信息显示，OpenAI 正在为 Codex CLI 引入一套全新的记忆管理系统。这套系统的核心变革在于：告别依赖压缩（compaction）的接力模式，转而采用上下文硬切换机制，同时配套笔记存储与历史检索能力。目前已有两项关键 Pull Request 合并——「new_context」负责开启新窗口，而 history 和 notes 功能则直接嵌入 Codex 的核心架构。

Token 预算感知：主动管理上下文边界

新方案的第一步引入了 token_budget 机制。系统会实时告知模型当前处于第几个上下文窗口、还剩多少可用 Token。同时，Codex 新增了 get_context_remaining 工具，允许模型主动查询余量——相当于为 AI 配备了一块「油表」。当余量充足时，模型继续执行代码审查、测试运行等常规任务；当接近边界时，模型有机会主动选择合适的交接点，将后续仍需使用的信息写入交接记录，而非被动等待系统压缩。

New Context：干净利落的空间释放

new_context 工具允许 Codex 在判断当前窗口不适合继续工作时，主动请求一个全新的上下文环境。值得注意的是，新窗口仅加载初始上下文，不携带上一窗口的对话记录，也不会自动生成压缩摘要。这意味着每个新窗口都从「干净状态」开始，避免了压缩过程中可能产生的信息扭曲。更重要的是，后续加入的 notes 和 history 功能确保了工作状态的可靠交接。

实际应用场景与意义

notes 负责保存跨窗口仍有价值的中间状态，Codex 可以列出、读取、搜索、追加或重写这些笔记。history 则保存完整的原始记录，支持按窗口查看条目或搜索历史对话与工具输出。两者的分工类似于工程师的工作习惯：笔记记录当前进度、已排除的方案路径、下一步计划；历史记录则保留原始错误信息、用户约束条件、失败调用的完整输入输出，供需要时追溯细节。

如有侵权，请联系删除。