Agentics 团队近期通过对软件开发智能体进行的长期对比测试，揭示了向代码助手开放历史会话记录搜索权限的实际效能问题。研究结果表明，在智能体已具备其他上下文访问途径的前提下，启用会话转录本检索对软件工程任务毫无性能提升，反而可能引发模型表现下滑。 分析指出，该现象主要源于两方面技术瓶颈。首先，团队倡导的规范化代码协作流程已使核心信息沉淀于提交记录、拉取请求及文档中。智能体若直接检索原始会话，不仅会重复消耗算力处理已知信息，还会引入大量未经提炼的无效噪点。其次，当前大语言模型缺乏有效的上下文修剪能力。在缺乏人工干预的自动记忆机制下，智能体倾向于将所有输入视为既定事实，导致错误指令与历史残留不断累积，引发意图漂移。由于模型对齐机制通常惩罚对输入数据的质疑，智能体难以自主清理无效记忆。 团队进一步以内部 Nori 智能体为例指出，未经人工校验的自动化知识更新逾八成被驳回，印证了自动记忆机制的不可靠性。Agentics 强调，历史会话数据更适用于团队行为的可观测性分析，而非直接作为智能体的增强素材。未来代码智能体的上下文管理仍需依赖结构化沉淀与人工监督相结合的路径，盲目堆砌会话记忆将徒增算力成本并拉低整体工程效能。