长时程智能体在执行过程中会记录失败，但同一段失败记录的价值会随时间变化。我们研究了在何种时机保留、压缩或删除相同的历史块能够相对于完整历史（KEEP）提升后续执行效果。为此提出 RECAP 框架，它由匹配上下文干预、执行关系预测和独立策略认证三部分组成。匹配环境状态和 rollout 种子用于衡量成功率和继续提示成本的差异；前缀关系在失败块与当前执行之间提出潜在编辑方案。随后独立任务捆绑在固定测量协议下，根据有害干预和非正收益风险约束挑选策略。实验在五个随机种子上保持失败块及其摘要不变：压缩在早期状态会导致成本增加，而在后期状态则成为节省成本的干预。跨五种主干模型，RECAP 能产生正向配对成功节省估计，并呈现主干特定的可靠性‑效率权衡。在 Hunyuan‑A13B 上，它编辑了 43.24% 的保留检查点，同时保持 KEEP 的 91.89% 继续成功率，并将无条件平均继续提示成本降低 4,619.8 token（2.13%）。该框架提供了执行层面的忘记决策参考：依据历史对后续的价值来决定是否保留。
点评