AgentSwing：用于长视野 Web 代理的自适应并行上下文管理路由

随着 大语言模型 (LLM) 演变成用于长期信息搜索的自主代理，管理有限的上下文容量已成为一个关键瓶颈。现有的上下文管理方法通常致力于在整个轨迹中采用单一的固定策略。这种静态设计在某些状态下可能效果很好，但它们无法适应长期搜索过程中积累的上下文的有用性和可靠性的变化。为了形式化这一挑战，我们引入了一个概率框架，该框架通过两个互补的维度来描述长期成功：搜索效率和终端精度。基于这个观点，我们提出了 AgentSwing，一个状态感知的自适应并行上下文管理路由框架。在每个触发点，AgentSwing 并行扩展多个上下文管理分支，并使用前瞻路由来选择最有希望的延续。跨不同基准和代理主干的实验表明，AgentSwing 始终优于强大的静态上下文管理方法，通常可以匹配或超过其性能，而交互次数减少多达 $3\times$，同时还提高了长期 Web 代理的最终性能上限。除了经验收益之外，所提出的概率框架还为分析和设计长视野代理的未来上下文管理策略提供了原则性的视角。