论文页面 - 通过观测上下文压缩实现高效终端 Agent 的自演化框架

来源: https://huggingface.co/papers/2604.19572
作者：,,,,,,,,,

摘要

TACO 是一个自演化压缩框架，能够自动从交互轨迹中发现并精炼压缩规则，在降低 token 开销的同时提升长程 Agent 的表现。

随着模型能力不断提升，研究重心逐渐转向长程、多轮、以终端为中心的智能体任务（https://huggingface.co/papers?q=terminal-centric%20agentic%20tasks）。这类任务通常将原始环境反馈保留在交互历史中，以供后续决策使用。然而，反复保留此类反馈会带来大量冗余，使累计 token 成本随步数呈二次增长，阻碍长程推理。虽然观测压缩（https://huggingface.co/papers?q=observation%20compression）可以缓解该问题，但终端环境的异构性使得基于启发式或固定提示的方法难以泛化。我们提出 TACO——即插即用、自演化的 Terminal Agent Compression（https://huggingface.co/papers?q=Terminal%20Agent%20Compression）框架，可自动从交互轨迹（https://huggingface.co/papers?q=interaction%20trajectories）中为现有终端 Agent 发现并精炼压缩规则。在 TerminalBench（https://huggingface.co/papers?q=TerminalBench）（TB 1.0 与 TB 2.0）以及四个额外终端相关基准（SWE-Bench Lite、CompileBench、DevEval、CRUST-Bench）上的实验表明，TACO 在主流 Agent 框架（https://huggingface.co/papers?q=agent%20frameworks）和强力骨干模型（https://huggingface.co/papers?q=backbone%20models）上均能稳定提升性能。配合 MiniMax-2.5，它在大多数基准上提升性能的同时，token 开销降低约 10%。在 TerminalBench 上，它为强智能体模型带来 1%–4% 的持续增益，并在相同 token 预算下进一步提升准确率约 2%–3%。这些结果证明了自演化、任务感知的压缩对终端 Agent 的有效性与泛化能力。

查看 arXiv 页面 (https://arxiv.org/abs/2604.19572)
查看 PDF (https://arxiv.org/pdf/2604.19572)
GitHub3 (https://github.com/multimodal-art-projection/TACO)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2604.19572)

在 Agent 中获取本文：

hf papers read 2604.19572

尚未安装最新 CLI？
curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型 0

暂无模型链接到本文

在模型 README.md 中引用 arxiv.org/abs/2604.19572 即可在此页面显示链接。

引用该论文的数据集 0

暂无数据集链接到本文

在数据集 README.md 中引用 arxiv.org/abs/2604.19572 即可在此页面显示链接。

引用该论文的 Spaces 0

暂无 Space 链接到本文

在 Space README.md 中引用 arxiv.org/abs/2604.19572 即可在此页面显示链接。

包含该论文的收藏 0

暂无收藏包含本文

将本文添加到收藏 (https://huggingface.co/new-collection) 即可在此页面显示链接。