上下文压缩会丢失83%的长期指令，新评估套件揭示Agent记忆缺陷
dair_ai · x · 2026-08-13
当前大模型智能体（Agent）在处理长对话时普遍使用上下文压缩来节省 token，但一项新研究揭示了其致命缺陷：现有的压缩工具平均会默默丢弃高达 83% 的“会话约束”。
会话约束是指用户在对话中设定的长期生效指令（例如“在我确认前不要删除任何邮件”）。研究团队推出了专门的评估套件 COMPINT，在多轮对话、智能体轨迹和长程研究三种场景下进行了测试。结果显示，经过压缩后，任务完成度甚至不如完全不使用压缩。
研究指出，指令的保留率受压缩算法、提示词、上下文长度及约束注入位置等多种结构性因素影响。好消息是，修复方案很简单：在压缩工具旁并行运行一个“会话约束感知提取器”，即可在不修改原模型和压缩工具的前提下，将保留率恢复至 90% 以上。
「编程与Agent」频道最新
- 产品要做「两次销售」：先让 Agent 选中，再让人买单 — FinanceYF5 · 2026-10-16
- Sentry CEO 晒图：AI 实习生在 code review 里反驳人类同事 — zeeg · 2026-10-16
- SWE-Duel:让编码 agent 互相出题埋 bug 的抗污染竞技场 — Consistent_Fox_2990 · 2026-10-16
- 把 Claude Code 等 agent 轨迹攒成数据集，微调开源小模型 — Rasmic · 2026-10-16
- LangChain 工程师：仅靠生产 traces 自动生成 evals 远远不够 — BraceSproul · 2026-10-16
- Rebasely 公测：为人和 Agent 共写代码打造的新 Git 托管 — handotdev · 2026-10-16