新框架称 Agent 记忆问题本质是架构问题

Gaurav Dadhich · hf · 2026-07-27

这篇文章认为，生产级 AI agent 失败的主要原因通常不是“不会推理”，而是上下文管理失败：对话历史、长提示词、工具定义和工具输出不断膨胀，最终让 agent 淹没在自己的记忆和 token 成本里。

作者把这个问题定义为一个生命周期+架构问题，而不只是存储/检索问题，并提出 Agentic Context Management (ACM)，拆成五个基本动作：

文中还给出经济学论证：朴素地累积上下文会让 token 成本随对话长度二次增长；简单摘要虽然能省钱，却会带来准确率“悬崖”；只有经过验证的压缩策略才能在保持召回质量的同时把成本压成线性。

作者还介绍了一个参考实现 Maximem Synap，把 ACM 做成多租户服务，并在文中配置下报告了 LongMemEval 92%、LoCoMo 93.2%。最后，文章指出现有 benchmark 还缺少对延迟、token 效率、context rot 抗性等维度的覆盖。

「编程与Agent」频道最新