context-windows

一篇博客文章，解释了在代理型工作负载中，缓存读取成本主导了LLM推理开销，随着每轮重新读取上下文，累计成本呈二次方增长，并建议减少工具调用次数以降低成本。

一条推文重点介绍了一篇CS调查论文，该论文认为更大的上下文窗口是死路一条，而记忆工程——将智能体的记忆视为操作系统——才是将真正的AI智能体与自动补全区分开来的关键，使无状态模型能够自我进化。

A new survey from Renmin University reviews nearly 1,000 studies on long-horizon AI agents, arguing that reliable long-horizon intelligence depends on the whole model-harness system, not just larger context windows or stronger models.

声称GPT-5.6 Sol通过使用规范压缩实现跨多个上下文窗口的推理，在ARC-AGI-3上达到了最先进水平。

这篇文章认为，AI代理架构应从持有全部上下文的单体代理转向一种路由模型，即代理将任务委托给专业化服务，类似于软件从单体架构演进到微服务的方式。

这是一个热门观点，认为上下文窗口分散了对AI记忆真正问题的注意力，这个问题仍未解决，并导致忘记上下文和重复错误信息。

上下文分叉是一种编码代理使用的技术，用于回退对话历史，让开发者能够重用高质量上下文，节省时间和令牌，并探索不同的设计路径。本指南解释了如何有效使用上下文分叉。

关于构建可靠AI Agent的全面指南，解释感知、决策逻辑和行动接口的核心组件，并包含前Meta工程师的见解。