补齐 MA 上下文维护真实回归

[zhuqingyv]

背景

本次子 agent 审计结论：MA 已有一条相对完整的 active context -> request 链路，但真实 session 路径和 mock 单测路径仍有差异。最需要补齐的是：真实 session-backed 的工具协议回归，以及压缩边界在 tool-heavy 场景下的稳定性。

这个 issue 不是重做 ContextManager，而是把“上下文维护能力是否真的稳定”变成可验证目标，避免后续只看单测绿就误判真实可用。

当前证据

• system / 环境 / AGENT.md 注入：src/agent.ts:576、src/agent.ts:618、src/agent/memdir.ts:45
• active context 请求入口：src/agent.ts:700、src/agent.ts:941
• active context 构造：src/agent/context-manager.ts:357、src/agent/context-manager.ts:546
• tool_call/tool_result 半组保护：src/agent/context-manager.ts:734
• compact 主循环与 fallback：src/agent.ts:741
• DeepSeek v4 flash/pro context registry：src/provider/capabilities.ts:16
• 已读相关测试：context/codec/stream patch、messages-integrity、AGENT.md loader 均通过；但未证明真实 L2/L3 session-backed e2e 稳定。

目标

把 MA 上下文维护能力补成真实回归 gate：

1. 真实 session-backed 请求里，active context 是 provider request 的主来源，而不是 mock 内存路径的偶然结果。
2. tool_call/tool_result 在真实 .index.jsonl/.context.json/.pool.jsonl 存在时仍不拆组、不产生 orphan tool。
3. compact 在 tool-heavy / 大并行工具组场景下不会反复 reject、不会破坏 provider schema。
4. benchmark 必须能区分 unit/dry-run/真实 MA adapter/真实 judge，不能再把“测试全绿”误报成“真实体验稳定”。

范围

P1：session-backed tool-heavy request 回归

• 构造真实 session 目录和 sidecar 文件，不只用内存 mock。
• 覆盖 Qwen / DeepSeek OpenAI-compatible codec 下的 tool_call/tool_result 配对。
• 验证 request 中仍保留必要 user message、tool result 文本化证据、latest user fallback。
• 验证 raw provider message 不出现 orphan tool 或未回填 tool_calls。

P2：compact candidate tool-group aware

• 审计 COMPACT_BATCH_SIZE=4 是否会切到大并行 tool group 中间。
• 如果会导致反复 reject，compact candidate 选择必须扩展到完整 tool group 或跳过该组。
• 保留现有 applyPatch() 半组拒绝保护，不用绕开协议保护。

P2：真实回归 gate

• 将 L2-037、L2-038、L2-041 这类长上下文 / 修正覆盖 / capability 任务纳入真实 MA adapter gate。
• 报告必须明确四类结果：unit、dry-run、real MA、real judge。
• runner 输出要能定位失败发生在 context 注入、compact、provider codec、tool protocol 还是 judge 质量。

非目标

• 不重做 [Feature] Task-level context manager with searchable session pool #19 的 ContextManager 架构。
• 不替代 [Phase 7] 上下文压缩可靠性提升 #18 的 compact 失败分类。
• 不替代 补齐真实体验回归测试：context window、工具静默调用与 compact 失败必须自动暴露 #23 的 UX 红线。
• 不接 Mnemo 或跨 session 长期记忆。
• 不把完整历史回放恢复为默认请求路径。

验收标准

• 有真实 session-backed tool-heavy 测试，不只依赖 mock store。
• 真实 sidecar 存在时，provider request 无 orphan tool、无未回填 tool_calls。
• compact candidate 不会因切半大 tool group 而进入无意义重试或失败。
• L2 长上下文任务能通过真实 MA adapter 跑出报告。
• 报告明确区分 unit、dry-run、real MA、real judge。
• 失败时给出可读原因和下一步，不再只显示“测试全绿”。
• npm run build、npm test、benchmark dry-run、目标 L2 real run 均有记录。

建议验证命令

npm run build
npm test
npm run benchmark:dry
npx tsx --test test/benchmark/runner/__tests__/*.test.ts
npm run benchmark -- --level L2 --task L2-037 --task L2-038 --task L2-041 --adapter test/benchmark/adapters/ma.yaml --runs 1

关联

• [Phase 7] 上下文压缩可靠性提升 #18：compact 失败分类和 fallback。
• [Feature] Task-level context manager with searchable session pool #19：ContextManager 主线。
• 补齐真实体验回归测试：context window、工具静默调用与 compact 失败必须自动暴露 #23：真实体验回归和 UX 红线。