<div class="key-takeaways"><ul><li>งานเอเจนต์ทั่วไปต้องใช้การเรียกใช้งานเครื่องมือถึง 50 ครั้งต่อภารกิจ โดยมีอัตราส่วนโทเค็นอินพุตต่อเอาต์พุตราว 100:1</li><li>Deep Agents ตั้งกฎลดภาระด้วยการเขียนไฟล์ลงดิสก์เมื่อการตอบสนองเกิน 20,000 โทเค็น</li><li>Claude Code จำกัดหน่วยความจำอัตโนมัติไว้ที่ 200 บรรทัดแรกหรือ 25KB พร้อมเลื่อนการโหลดสีมาจนกว่าจะเรียกใช้งาน</li><li>Amazon Bedrock AgentCore ใช้โคออร์ดิเนเตอร์กระจายงานให้เบราว์เซอร์ซับเอเจนต์ทำงานขนานกัน 3 ตัวใน MicroVM</li></ul></div><p>บทความนี้พาไปสำรวจเบื้องหลังการทำงานของระบบเอเจนต์ปัญญาประดิษฐ์รุ่นใหม่ ซึ่งประกอบด้วยกลไกการบีบอัดข้อมูล กลยุทธ์หน่วยความจำ การจัดสรรงบประมาณบริบท และสถานะรายการสิ่งที่ต้องทำ โดยมีเครื่องมือชั้นนำอย่าง LangChain Deep Agents, Claude Code, Manus, OpenAI Codex และ Amazon Bedrock AgentCore เป็นกรณีศึกษาในการจัดการภาระงานระยะยาว</p><p>สำหรับวงรอบการทำงานของเอเจนต์แล้ว ปัญหาความจำล้นถือเป็นเรื่องท้าทายอย่างมาก โดยทาง Manus รายงานว่าภารกิจทั่วไปต้องเรียกใช้เครื่องมือประมาณ 50 ครั้ง และมีอัตราส่วนโทเค็นอินพุตต่อเอาต์พุตอยู่ที่ราว 100:1 ข้อมูลจากการสังเกตการณ์ทุกรายการจะถูกสะสมไว้ในหน้าต่างบริบท ทำให้คำสั่งเริ่มต้นถูกดันไปอยู่ตรงกลาง ซึ่งเป็นจุดที่ประสิทธิภาพการเรียกคืนข้อมูลลดลงอย่างเห็นได้ชัด การสูญเสียเป้าหมายจึงไม่ใช่แค่บั๊กของโมเดล แต่เป็นผลลัพธ์ที่พบได้ทั่วไปเมื่อปล่อยให้หน้าต่างบริบทไร้การควบคุมในงานที่มีความยาวต่อเนื่อง</p><p>งานแรกของระบบควบคุมคือการตัดสินใจว่าข้อมูลส่วนใดไม่ควรถูกนำเข้าสู่หน้าต่างบริบทตั้งแต่แรก โดย Deep Agents กำหนดกฎการถ่ายโอนข้อมูลออกภายนอกด้วยตัวเลขที่ชัดเจน เมื่อผลลัพธ์จากเครื่องมือเกิน 20,000 โทเค็น ข้อมูลจะถูกบันทึกรูปลงในระบบไฟล์และแทนที่ด้วยเส้นทางไฟล์พร้อมตัวอย่าง 10 บรรทัดแรก และเมื่อบริบทของเซสชันแตะระดับ 85% ของหน้าต่างโมเดล การเรียกใช้เครื่องมือเขียนและแก้ไขรุ่นเก่าๆ จะถูกตัดทอนให้เหลือเพียงพอยเตอร์</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/context_engineering_4_mtzpr81a_inline_1_e85cf1cf97.jpg" alt="software developer computer screen code workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>ในฝั่งของ Claude Code ใช้การจัดสรรงบประมาณในลักษณะเดียวกันกับข้อมูลที่โหลดก่อนพรอมต์แรก หน่วยความจำอัตโนมัติถูกจำกัดไว้ที่ 200 บรรทัดแรกหรือ 25KB สถาปัตยกรรมซับเอเจนต์ของ Anthropic แสดงให้เห็นถึงประสิทธิภาพของการจัดการนี้ โดยซับเอเจนต์แต่ละตัวอาจเผาผลาญโทเค็นนับหมื่นในการสำรวจ แต่จะส่งคืนเฉพาะสรุปที่กลั่นกรองแล้วราว 1,000 ถึง 2,000 โทเค็นเท่านั้น ขณะที่ระบบของ AWS AgentCore สามารถประสานงานให้เบราว์เซอร์ซับเอเจนต์ 3 ตัวทำงานแบบคู่ขนานใน MicroVM แยกกันได้</p><div class="stat-row"><div class="stat-item"><span class="stat-number">50</span><span class="stat-label">การเรียกเครื่องมือต่อภารกิจ</span></div><div class="stat-item"><span class="stat-number">100:1</span><span class="stat-label">อัตราส่วนอินพุตต่อเอาต์พุตโทเค็น</span></div><div class="stat-item"><span class="stat-number">85%</span><span class="stat-label">ขีดจำกัดบริบทเซสชันของ Deep Agents</span></div></div><p>เมื่อการถ่ายโอนข้อมูลออกภายนอกยังไม่เพียงพอ ระบบควบคุมจะหันมาใช้กระบวนการบีบอัดข้อมูล ซึ่งเป็นการสรุปบทสนทนาที่กำลังจะเต็มขีดจำกัดหน้าต่างและเริ่มบริบทใหม่ด้วยข้อมูลสรุปนั้น การดำเนินการนี้มีความเสี่ยงที่ข้อมูลสรุปแบบสูญเสียรายละเอียดจะทำให้ข้อจำกัดสำคัญหลุดหายไป แต่อุปกรณ์แต่ละตัวก็มีแนวทางรับมือที่แตกต่างกัน เช่น Claude Code ที่ช่วยรักษาการตัดสินใจทางสถาปัตยกรรมและบั๊กที่ยังไม่ถูกแก้ไขไว้</p><div class="ai-insight"><p>การทำ Context Engineering ในเอเจนต์ยุคใหม่สะท้อนให้เห็นว่า หน้าต่างบริบท (Context Window) ไม่ใช่พื้นที่เก็บข้อมูลแบบถาวร แต่เป็นทรัพยากรที่มีต้นทุนสูง การออกแบบระบบจึงต้องมองข้ามแค่ความสามารถของ LLM ไปสู่การสร้างโครงสร้างพื้นฐานภายนอก เช่น การใช้ระบบไฟล์ การทำซับเอเจนต์ และการเก็บบันทึกสถานะแยกต่างหาก เพื่อให้เอเจนต์สามารถทำงานต่อเนื่องหลายชั่วโมงโดยไม่สูญเสียทิศทาง</p></div><p>ด้าน OpenAI ได้นำการบีบอัดข้อมูลเข้าสู่ชั้น API ด้วยเช่นกัน โดยResponses API มีระบบบีบอัดฝั่งเซิร์ฟเวอร์ผ่าน parameter context_management ควบคู่กับจุดเชื่อมต่อ /responses/compact ที่ส่งคืนหน้าต่างบริบทแบบเข้ารหัส ขณะที่ในส่วนของสถานะรายการสิ่งที่ต้องทำ (todo-state) มีผลการประเมินที่หลากหลาย โดย Deep Agents เคยใช้เครื่องมือ write_todos เป็นค่าเริ่มต้นจนถึงเดือนกรกฎาคม 2026 ก่อนจะปรับให้เป็นแบบเลือกเปิดใช้งานภายหลังจากการประเมินพบว่าต้นทุนลดลงเมื่อปิดการใช้งานในบางประเภทงาน</p><p>โดยสรุปแล้ว รูปแบบเบื้องหลังกลไกเหล่านี้คือการทำให้เป้าหมายดำรงอยู่เป็นวัตถุที่สามารถปรับเปลี่ยนได้ แทนที่จะเป็นเพียงข้อความในประวัติการสนทนา ข้อความทั่วไปจะเสื่อมสภาพและถูกย่อสรุป แต่ไฟล์ที่ถูกเขียนทับทุกๆ ไม่กี่รอบการทำงานจะมีขนาดสั้นและคงอยู่เสมอไม่ว่าจะผ่านการรีเซ็ตระบบกี่ครั้งก็ตาม</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/12/context-engineering-inside-the-harness-4-mechanisms-that-beat-context-overflow-and-goal-loss-on-long-horizon-tasks/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>A typical agent task requires around 50 tool calls with an input-to-output token ratio near 100:1.</li><li>Deep Agents offloads tool responses exceeding 20,000 tokens directly to the filesystem.</li><li>Claude Code caps auto memory at the first 200 lines or 25KB while deferring MCP tool schemas.</li><li>AWS AgentCore coordinates 3 parallel browser subagents running in separate MicroVMs.</li></ul></div><p>This article explores the inner workings of advanced artificial intelligence agent systems, covering compaction, memory strategies, context budgeting, and todo-state management. Tools like LangChain Deep Agents, Claude Code, Manus, OpenAI Codex, and Amazon Bedrock AgentCore serve as key case studies in handling long-horizon workloads.</p><p>For an agent loop, context overflow poses a severe challenge. Manus reports that a typical task requires approximately 50 tool calls, with an input-to-output token ratio running near 100:1. Every observation lands in context and stays there, pushing the original instruction right into the middle of the window where recall degrades. Goal loss is consequently an expected outcome of unmanaged context during prolonged tasks.</p><p>The harness first determines what never enters the window at all. Deep Agents implements two strict offloading rules with hard numbers. When a tool response exceeds 20,000 tokens, it gets written to the filesystem and replaced by a file path and a 10-line preview. When session context crosses 85% of the model window, older write and edit tool calls are truncated to pointers.</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/context_engineering_4_mtzpr81a_inline_1_e85cf1cf97.jpg" alt="software developer computer screen code workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>Claude Code applies similar budgeting principles to data loaded before the first prompt. Auto memory remains capped at the first 200 lines or 25KB. Anthropic's subagent architecture demonstrates the effectiveness of this approach, where each subagent consumes tens of thousands of tokens exploring but returns a distilled summary of just 1,000 to 2,000 tokens. Meanwhile, AWS AgentCore coordinates three browser subagents running in parallel across separate MicroVMs.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">50</span><span class="stat-label">Tool calls per task</span></div><div class="stat-item"><span class="stat-number">100:1</span><span class="stat-label">Token input-to-output ratio</span></div><div class="stat-item"><span class="stat-number">85%</span><span class="stat-label">Deep Agents session context threshold</span></div></div><p>When offloading proves insufficient, the harness resorts to compaction. This practice summarizes conversations nearing window limits and reinitiates a fresh context. Compaction carries the risk of losing vital constraints through lossy summaries, prompting different platforms to implement specialized safeguards such as preserving architectural decisions and unresolved bugs in Claude Code.</p><div class="ai-insight"><p>Context engineering in modern agents highlights that the context window is not a permanent storage vault but a high-cost resource. System design must transcend raw LLM capability by building robust external infrastructure—such as filesystems, subagents, and separate state logs—allowing agents to run for hours without losing directional focus.</p></div><p>OpenAI has also integrated compaction into its API layer. The Responses API offers server-side compaction via context_management parameters alongside a standalone endpoint that returns an encrypted compaction item. Regarding todo-state handling, evaluations yielded mixed results; Deep Agents utilized write_todos by default until July 2026 before shifting it to opt-in based on evaluations showing lower costs with it disabled for specific tasks.</p><p>Ultimately, the underlying pattern across all these mechanisms is treating goals as mutable artifacts rather than static messages in history. While messages age and get summarized, files rewritten every few turns remain recent, concise, and resilient across resets.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/12/context-engineering-inside-the-harness-4-mechanisms-that-beat-context-overflow-and-goal-loss-on-long-horizon-tasks/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_context-engineering-4-กลไกแก้ปัญหาบริบทเต็มและเป้าหมายหลุด-mtzpr81a.jpg

small_context-engineering-4-กลไกแก้ปัญหาบริบทเต็มและเป้าหมายหลุด-mtzpr81a.jpg

thumbnail_context-engineering-4-กลไกแก้ปัญหาบริบทเต็มและเป้าหมายหลุด-mtzpr81a.jpg

Inewgen

Inewgen

#OpenAI Codex

Context Engineering: 4 กลไกแก้ปัญหาบริบทเต็มและเป้าหมายหลุด

Inewgen