在代理任务中，长时任务的特性使得其需要通过与环境的互动不断累积上下文信息。现有的上下文压缩方法往往会导致信息损失，并且受到僵化的启发式规则驱动，这使得它们与代理不断变化的推理重点不相匹配。为此，我们提出了代理上下文管理（ACM）框架，赋予代理专门设计的上下文编辑工具，实现无损的上下文管理。
ACM 的灵感来源于人类短期与长期记忆之间的交互，代理可以自主决定何时压缩上下文，将丢弃的内容转移到外部记忆系统，并在需要时进行查询以便后续检索。
在这一框架的基础上，我们进一步开发了一种后训练管道，用于构建高质量的上下文管理示例，从而提升模型在代理搜索和编码任务中的表现。
进一步的分析表明，有效的上下文管理能够减少峰值令牌压力，支持更长时间的探索，并在独立试验中产生更一致的解决方案。相关代码、数据和模型检查点可在 GitHub 上获取。
博主点评： 代理上下文管理（ACM）框架的提出，标志着在长时任务中的上下文管理进入了一个新的阶段。通过自主决策与外部存储的结合，ACM 不仅减少了信息损失，还提升了任务的灵活性与效率，这将对未来的智能代理研究产生深远影响。