@rohanpaul_ai: AI代理可以在不重新训练代理本身的情况下，通过使用一个独立的小模型来清理并...

AI agent 可以在不重新训练自身的情况下，通过使用一个独立的小模型来清理和组织其上下文，从而更好地处理长程任务。

将上下文管理移出agent，这样独立的辅助模型可以在主agent保持不变的同时，清理任务历史记录。

该论文提出了 AdaCoM，这是一个独立的 LLM，在 agent 执行下一步操作之前，负责编辑 agent 的工作上下文。

AdaCoM 在任务历史与冻结的 agent 之间放置了一个独立的、经过训练的“管理器”，因此 agent 无需学习新的记忆习惯或暴露其权重。

在每一步之前，这个管理器可以重写、合并、修剪或保留运行上下文中的部分内容，然后原始 agent 基于清理后的版本采取行动。

这听起来像是总结，但区别很重要。

总结的前提是正确答案在于压缩，而 AdaCoM 则通过学习认识到，不同的 agent 需要不同类型的上下文才能保持胜任——更强的 agent 可以使用更多的原始历史记录，而较弱的 agent 则需要更短、更清晰的笔记。

他们在多个 agent 上对 AdaCoM 进行了网页搜索和深度研究任务的测试，结果显示平均网页搜索性能提升了 39%。

链接 – arxiv.org/abs/2605.30785

标题：“Learning Agent-Compatible Context Management for Long-Horizon Tasks”