PRO-LONG 给 LLM agent 加可检索程序化记忆，ARC-AGI-3 提升 18 分
dair_ai · x · 2026-07-24
这篇论文提出 PRO-LONG：一种给 LLM agent 用的最小上下文管理框架，把完整交互日志保存成结构化、可搜索的“程序化记忆”，而不是简单压缩进上下文里。
核心思路
- 保留 agent 看过的全部历史记录
- 需要时用 coding-agent 工具按需检索
- 把 memory 当成可查询数据库，尽量缓解“存得越多、越难找回关键细节”的矛盾
论文结果
- 在完整 ARC-AGI-3 public game set 上，相比基础 coding agent，前沿模型平均提升 18.0 分
- 在某些设置下可达到或超过专用 harness，最高 76.1% pass@1
- 同时使用的 token 数减少 4.2–5.8 倍
- 使用 Fable 5 时，best@2 达到 97.4%，总成本约 $1,750
所属事件:研究提出PRO-LONG框架以优化Agent上下文管理(4 条相关)→
「编程与Agent」频道最新
- Cognition SWE-2 用 KKT 对偶优化长度惩罚，一次 RL 推移 Pareto 曲线 — YouJiacheng · 2026-09-11
- 首届 Three.js 大会落地巴黎，AI 正缩短从想法到原型的距离 — OdinLovis · 2026-09-11
- 观点：Agent 真正的瓶颈是企业数据工程能力 — dhruv2038 · 2026-09-11
- 实测戳破 RTK 省钱神话:token 省了,账单分文未降 — Bartaseth · 2026-09-11
- GPT-6 Astra 用时 44 小时通关含敌人 Factorio,API 成本约 4500 美元 — liminal_bardo · 2026-09-11
- 投资分析师求教：如何用 Claude 搭建尽调 Agent 工作台 — Careless_Tie2286 · 2026-09-11