用户点了一行数据，怎样让 Agent 理解他的问题

2026-06

业务页面旁边有了助手，用户很快会问：“这一行为什么这么高？”人看着屏幕知道是哪一行，助手只收到一句话，未必知道。让用户重述图名、时间和数值，实际是在重新输入已经存在的信息。

我希望页面把准确选区交给助手，助手也能把解释定位回页面。但选区、会话和执行是不同状态，消息必须能对应到正确的页面实例。

上下文包含引用与观察时间

资源引用用于重新查询，必要快照保存用户当时看到的数值、单位和条件。两者各有用途：实时值变化以后，新查询不能冒充当时画面的值，快照也不能替代当前访问授权。

本轮采用以下载荷声明，字段与接收器对应：

typescript

type PageContext = {
  version: 1;
  pageInstanceId: string;
  conversationId: string;
  selectionRevision: number;
  selection: {
    pageId: string;
    componentId: string;
    resourceRef: string;
    observedAt: string;
    filters: Record<string, unknown>;
    snapshot?: Record<string, unknown>;
  };
};

内容按任务和权限选取，不把整页数据无条件上传。用户选择一行，也不自动等于同意把全部内容发给模型。可以提供“问 AI”动作，或者在发送区让用户核对上下文。

消息来源不只是一段 origin 字符串

跨窗口消息要检查 origin、event.source、消息结构、协议版本、页面实例和会话。发送方使用明确 targetOrigin，不对敏感数据采用通配目标。

javascript

function receiveContext(event, expected) {
  if (event.origin !== expected.origin) return;
  if (event.source !== expected.frame.contentWindow) return;
  const value = event.data;
  if (!value || value.version !== 1) return;
  if (value.pageInstanceId !== expected.pageInstanceId) return;
  if (value.conversationId !== expected.conversationId) return;
  if (!Number.isSafeInteger(value.selectionRevision)) return;
  if (value.selectionRevision <= expected.lastRevision) return;
  // validatePayload 校验类型、长度和允许的字段，成功后再更新状态。
  const context = expected.validatePayload(value);
  expected.commit(context);
}

validatePayload 还应限制字段、类型和长度，提交后更新最后接受的选区版本。相同或过期版本不重新覆盖。来源可信只证明来自预期页面，服务端仍要核对资源授权，页面文案也不能变成系统指令。

沙箱中的不透明来源不能用把字符串 null 加白名单的方式处理。需要与目标实例绑定的受限握手或消息通道，并继续保留业务授权。

跨窗口交互关联到确定的选区版本 — 界面回执只表示 UI 命令处理结果，不代表业务动作已经完成。

高亮命令也有有效版本

助手返回定位、高亮或刷新的受限命令，包含页面实例、组件与依据的 selectionRevision。用户已经换页或重开窗口，旧命令返回 stale-context；对象存在并完成处理，才返回 applied。

组件名称相同不代表同一对象。接收端不运行模型给出的任意脚本，每种命令有固定参数与结果。修改业务数据则走服务端动作、确认与权限，不把 UI 消息变成另一个写入口。

回执说明完成了哪一层

消息收到、UI 完成和业务动作生效各自记录。高亮由页面确认，后台写入由实际接口结果确认。每条消息标识关联自己的结果，超时记录未确认，不补一个成功状态。

任务已经开始后，用户改选不会改变它的目标。新选区可以用于下一次提问，旧解释保留所依据的对象与时间。快照和当前数据不同，就明确说明差异。

验收使用快速切行、关闭重开、迟到消息、同源其他 frame 和资源撤权等情形。发送内容与接收对象保持对应，用户才能少描述一些，系统却仍然知道他说的是哪处内容。