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)→
「编程与Agent」频道最新
- 用 $28 算力让模型给自己造 copilot：他的新模型个人基准 — bucolucas · 2026-10-27
- Agent 中途改计划该被允许吗：真实系统介入时的边界之辩 — wistfulcracker84 · 2026-10-27
- HeyGen 联手 Canva:幻灯片讲者备注自动变数字人讲解视频 — HeyGen · 2026-10-27
- 隐私场景实测：本地 Qwen 3.8 FN 不输云端前沿模型还更快 — dr_lm · 2026-10-27
- Cloudflare Computer 支持 agent 中断恢复，可跳过已完成的非幂等请求 — irvinebroque · 2026-10-27
- LLM Tails 实测省 80% 输入 token：先读后写约束 agent 编码 — savadks1818 · 2026-10-27