标签
CORVUS提出了一种新的轨迹架构用于LLM编码代理，通过维护相关文件的同步注册表，将文件读取操作与观察结果解耦，从而减少输入令牌9-50%，推理周期最多减少37%，同时在SWE-bench基准上保持相当的通过率。
SigMap 是一个针对 AI 编码代理的开源基础层，它提供代码仓库的确定性地图，减少上下文浪费，提高检索准确率和任务成功率。
NightFeats是一个多智能体RAG系统，在NeurIPS 2025的MMU-RAGent竞赛中获得最佳动态评估奖。它采用三阶段流水线（检索、策划、组合），在人工评估中优于专有基线模型。
RAMPART是一个Python库，它使LLM上下文组装变得可编程，允许开发者注册命名的上下文块，并将其放置在模型第一个token之前。通过块聚类和工具访问控制，它在多种模型上将性能提升了数十个百分点。
本文分析了 Bai 等人 2026 年的论文，该论文表明，子代理和上下文膨胀导致长代理运行中的Token成本比普通聊天高出约1000倍，并提出了三种实用的修复方法（PLAN.md、读取预算、带外备注），可将Token使用量减少70-90%。
快速-慢速训练（FST）将上下文优化（通过GEPA）与通过强化学习进行的模型权重更新交替进行，在数学、代码和物理推理上实现了比单独使用RL高3倍的样本效率，同时保持了可塑性并实现了持续学习。
本文介绍了一种上下文优化方法，该方法通过维基百科搜索和浏览器工具进行主动信息搜索，并结合基于搜索的训练流程，在无需更新模型权重的情况下，在多个领域实现了稳健的性能提升。