Google 论文主张砍掉 agent 对话历史，显式状态让 token 省 16 倍

rohanpaul_ai · x · 2026-08-29

Google 新论文《SKILL.state: Scalable Long-Horizon Agent Skills》提出：长程 agent 根本不需要不断增长的对话历史，用小而显式的执行状态替代即可，既省 token 又常提升准确率。

做法上，每步只给模型技能指令、结构化状态和最新观测，推理痕迹在产出经过校验的状态更新后即被丢弃，使 prompt 大小基本恒定。实验中，100 步仓库任务上 Gemini-3-Flash 用 SKILL.state 得分 0.94、消耗 65,408 token；LangGraph 式基线得 0.91、消耗 1,062,387 token，差距达 16.2 倍。局限在于：所有后续需要的信息必须能装进状态 schema。论文已被 EMNLP 接收。