在多代理和内存增强的 LLM 系统中，协调内容、共享状态、先前讨论、工具输出、摘要和角色指令常常被放置在同一个有限的提示中。这导致了一个实际的分配问题：在固定的上下文预算下，每一个用于协调的令牌都无法用于任务指令或证据。我们引入了 Roundtable Context Window Test (RCWT)，一个用于测量任务预算位移效应的控制协议。RCWT 在控制总预算、位置顺序、任务类别和评分的同时，变化协调内容。在主要的上下文相关回忆任务中，当 $W=4096$ 时，三个商业模型在适度开销下保持接近基线，但一旦剩余的参考证据降至几百个令牌时，性能急剧下降。窗口缩放摘要与任务特定的剩余预算解释一致，而不是固定百分比阈值，但我们将其视为描述性证据，而非普遍规律。为了测试当任务证据保持完整时，固定预算的崖是否依然存在，我们增加了一个完整任务消融：在增加总提示长度的同时，保持完整的任务/参考块存在。在这种情况下，所有测试的调用在 GPT-4.1-mini、Claude Haiku 4.5 和 Gemini 2.5 Flash 中都能在高达 95\% 的协调比率下正确返回每个评分字段。这一消融缩小了我们的主张：主要的 RCWT 崖最好被解读为任务预算位移，而不是证明协调量单独导致原始开放任务中的语义干扰。因此，RCWT 是一种用于上下文分配预算的测量原语，而不是多代理利益或会话级协调的完整理论。
博主点评： RCWT 的引入为理解 LLM 系统中的任务预算分配提供了有力的工具。通过精确控制协调内容和任务证据的关系，该研究揭示了 LLM 性能的潜在瓶颈，尤其在高协调比率下的表现。对未来多代理系统设计而言，RCWT 的方法论具有重要的启示意义。