论文指出生产级 Agent 失效多因上下文失控

omarsar0 · x · 2026-07-25

这篇论文在讲什么

生产级 AI agent 失败，往往不是因为“不会推理”，而是因为上下文管理失控：对话历史、超长 prompt、庞大的工具定义、不断膨胀的工具输出，会在每一轮里越堆越多。

核心主张

作者把这件事定义为 Agentic Context Management（ACM），并拆成五个基本动作：

• 设计上下文结构
• 摄入信息
• 控制作用域
• 预判下一步所需信息
• 通过压缩与整合做上下文精炼

为什么重要

论文认为，朴素的上下文堆积会让 token 成本随对话长度平方级增长；而简单摘要虽然省钱，却很容易在准确性上“断崖式掉点”。真正有效的方案，是经过忠实度验证的压缩，让成本回到线性增长，同时尽量不丢关键信息。

结果

作者给出的参考实现，在两个常见评测上分别达到：

• LongMemEval：92%
• LoCoMo：93.2%

整篇文章的重点是：上下文管理正在变成生产 agent 里的一级工程问题，不只是“存一下、取出来”这么简单。

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)→

原文链接 →

「编程与Agent」频道最新

• 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11
• 用 prompt 造硬件:一次对话让智能体组装定制设备寄到家 — paraschopra · 2026-09-11
• 模型之外才是关键:一文拆解 RAG 到多智能体的六大 AI 架构 — goyalshaliniuk · 2026-09-11
• 零基础开发者自建分层记忆架构，仅 20k token 记住一年对话 — matteoianni · 2026-09-11
• Warp 六个非工程团队全用 Linear 和 Claude Code 工程化运作 — mon__lim · 2026-09-11
• 九年后端老兵：AI 代码不比人写的差，变糟的只是速率 — Sweaty-Landscape-561 · 2026-09-11

更多「编程与Agent」频道 AI 资讯 →