论文：Agent 生产翻车主因是上下文失控而非推理能力
import_jmr · x · 2026-10-26
importjmr 引用论文《Agentic Context Management》指出：生产环境中 agent 失败很少源于模型推理能力，而是推理外围的堆积——系统指令、工具定义、原始工具输出、逐轮历史在每一步复合膨胀。到某个临界点，agent 花在管理自身上下文膨胀上的预算与延迟超过解决用户问题本身。
论文主张把 agent 的上下文当作生命周期问题而非存储问题（Agentic Context Management, ACM），包含五个原语：架构化、摄入与范围界定、预期、压缩与整合。关键论点：
- 朴素的历史累积使 token 成本随对话长度四次方增长，而粗暴摘要只省线性成本，且可能造成准确性悬崖——通用摘要器不知道后续步骤需要什么，会丢弃关键细节，准确率甚至低于完全无记忆。
- 只有经过验证的压缩才能在保留保真度的同时实现线性成本。
- 作者实现参考系统 Maximem Synap，LongMemEval 92%、LoCoMo 93.2%。
- 对 PM 的启示：把上下文压缩当作用户信任风险而非单纯成本杠杆，产品需求需定义哪些用户上下文不可压缩。
「编程与Agent」频道最新
- 面向 8–12 岁儿童的 10 周 AI Agent 课程该怎么设计?导师求实操建议 — Flatberry7679 · 2026-10-27
- nightly agent 学习任务空转一周却每晚记录成功 — ChemicalExcellent463 · 2026-10-27
- 上下文工程两原则：单一 AGENTS.md 根文件+按需加载文档地图 — Al_Grigor · 2026-10-27
- Semrush 推出 MCP 服务器,AI 助手可直连 SEO 数据 — modelcontextprotocol · 2026-10-27
- Phos Labs 推出电商智能 MCP:23 个工具帮 AI Agent 优化转化 — modelcontextprotocol · 2026-10-27
- Hermes Agent 上手表:Wear OS 开源应用语音直连 agent 服务器 — alexcovo_eth · 2026-10-27