标签
作者分享用 INDEX.md 文件索引替代向量数据库做 agent 文档检索的实践:由 summarizer 生成每行描述,doc-searcher 子代理挑选并读取文件,把中间读取隔离在子代理上下文中。作者指出这节省的是上下文而非总 token,小规模文档集可行,但上千文档时索引本身会变重。
该论文将LLM智能体的常驻上下文文件(如AGENTS.md)构建优化建模为带容量约束的选择问题,证明了最优文件大小的上界,分析了删增指令在删失反馈下的遗憾界,并通过实验表明无关规则会降低模型遵循度。
本文提出了面向工具使用智能体的智能体控制遗忘机制,模型将冗长的工具输出替换为简短且可恢复的笔记,在一个探索性调试案例中将提示词 token 减少了约 50%,并将 API 成本从约 $4.38 降至 $1.28–$1.44,同时指出了与工作负载相关的权衡,例如请求数量增加和运行时间延长。
一个思想实验,解释了为什么无人值守的 AI 智能体在长时间多步骤运行中倾向于重复已完成的工作——因为完成的步骤在上下文中没有被标记——并询问大家在过夜运行的智能体任务中使用了哪些显式的任务追踪方法。
RunningTab 提出一种环境侧“标签”框架,为 LLM agent 的直接工作区交互维护任务记录,跟踪已读文件与未打开候选文件,在三个基准上一致优于普通 DWI 和模型内记录基线。
Meta 发布了如何将包含 4,100 个文件、4 个仓库的完整 pipeline 代码库映射为 AI 智能体可导航的图结构。他们在单次会话中使用 50 多个智能体,将工具调用次数减少了 40%,且文件路径零幻觉。这种「指南针而非百科全书」的方案生成 59 个小的上下文文件,设计上可以轻松复制到其他仓库使用。
一位从业者调研了多种智能体记忆与共享知识库工具(Mem0、Engram、Memori、ByteRover、Basic Memory),并深入介绍了开源项目 OpenLore——该项目通过 SSH 或 MCP 将 Markdown 文件作为人类与智能体共享的知识库对外提供,具备 RBAC 权限控制且无需向量数据库,同时也在权衡这类智能体原生知识基础设施是否真的必要。
作者分享在用 OpenAI Agents SDK 和 ZenRows 构建线索生成 agent 时,将抓取与抽取合并为单一工具以避免 540K 字符上下文溢出的实践,包括确定性管线设计、错误处理策略与性能结果。
Raft Computer 1.0.40 引入了构造式初始上下文(constructed initial context)机制:当长时间空闲的 agent 会话重启时,不再重新缓存已过期的上下文,而是直接从会话记录中恢复,从而将冷启动成本降低 60%,单次请求成本降低 29%,同时保持连续性不受破坏。
OrgComputers 是一个面向 AI 智能体的共享工作空间,统一了项目、上下文和工具,让 Claude Code、Cursor 和 Codex 等编程智能体能够基于团队已有的知识库开始工作。该产品已在 Product Hunt 上发布。
一场从业者讨论,探讨长时运行的AI Agent故障究竟源于模型能力还是其周围的脚手架,重点分析了错误累积、上下文污染和自我修正薄弱这几种关键故障模式。
本文提出了一种训练驱动的自主上下文管理方法:在一个极简的 agentic 框架(一个用于调用自身、一个用于读取任意 token 区间)上对一个小型模型(Qwen3.6-35B-A3B)进行微调,使其在长文档基准测试中,仅使用 8K token 的上下文,就能达到 GPT-5.4 使用 1M token 上下文时的性能水平。
APDMem 提出了一种面向 LLM 助手的分层长期记忆架构,通过智能体对四层记忆施加渐进式披露控制,在仅访问 8% 对话数据的情况下,取得了优异的 LongMemEval 表现。
研究提出将智能体记忆类比 Git 仓库,通过 commits 与 branches 管理任务版本,使智能体能丢弃过期需求并从正确版本恢复。方法 GitHarness 在全部 30 个测试设置中优于普通续跑,某设置下编码任务 token 消耗减少 73.6% 且得分更高。
一位实践者对比了三种长时运行智能体的记忆架构——完整对话历史、仅向量检索,以及结构化情景日志加向量检索的混合方案——结论是混合方案表现最佳,并指出任务中途更新信念时的记忆冲突是一个关键的未解问题。
这篇帖子回顾了 Agent 开发的过程,认为它主要是一个不断修补短板的迭代过程——加入检索、状态管理、重试、权限和评估——同时指出,将能力外包给支撑系统与将其收回模型内部之间,始终存在持续的张力。
AutoCompact 训练编码智能体自主决定何时压缩上下文、保留哪些工作状态、以及如何恢复——先用裁判修正后的轨迹做 SFT,再用任务成功奖励进行强化学习,在 SWE-bench Verified 上提升 +9.2%,在 SWE-PolyBench Verified 上提升 +5.0%。
一份关于 AI PM OS 的实践指南:它是一组可复用的 Agent 技能,帮助产品经理构建问题框架、校验产出,并监督 AI 协作者做出更强的产品判断,而不是盲目直接发布 AI 生成的 PRD。
论文提出 DTOC(动态工具输出压缩),让智能体在每轮动态隐藏或恢复工具输出,以自适应管理上下文,避免不可逆的有损压缩。实验显示该方法能节省 token 与成本并提升解决率,同时提供 OpenCode 参考实现。
一篇 Berkeley 的论文发现,LLM 在上下文中常会保留过时的偏好或截止时间,即使已知信息发生了更新,注意力仍不断回到陈旧的数值上;显式提供当前状态(或引导注意力聚焦最新值)即可在不重新训练的情况下大幅提升性能。