主动上下文压缩：LLM代理中的自主记忆管理

大语言模型（LLM）代理在长程软件工程任务中因“上下文膨胀”（Context Bloat）而举步维艰。随着交互历史增长，计算成本爆炸、延迟上升，且推理能力因被无关的过往错误干扰而退化。现有方案通常依赖代理无法控制的被动式外部摘要机制。本文提出Focus，一种受多头绒泡菌（黏菌）生物探索策略启发的以代理为中心的架构。Focus代理自主决定何时将关键学习成果整合进持久的“知识”（Knowledge）块，并主动撤回（修剪）原始交互历史。使用一个符合行业最佳实践的优化脚手架（持久bash + 字符串替换编辑器），我们在SWE-bench Lite的N=5个上下文密集实例上用Claude Haiku 4.5评估了Focus。在鼓励频繁压缩的强提示下，Focus实现了22.7%的token缩减（14.9M → 11.5M tokens），同时保持完全相同的准确率（两个代理均为3/5 = 60%）。Focus平均每个任务执行6.0次自主压缩，单个实例的token节省最高达57%。我们证明，有能力的模型在获得合适工具与提示时能够自主调节自身上下文，为不牺牲任务性能的成本感知agentic系统开辟了路径。