用于智能体轨迹分析的面向视图对话编译器

在上下文学习和利用驱动的代理认知时代，代理痕迹具有越来越高的分析价值，但大多数先前的工作将对话格式视为微不足道的工程细节。现代代理对话包含深度结构化的内容，包括嵌套工具调用和结果、思想链推理块、子代理调用、上下文窗口压缩边界和线束注入的系统指令，其复杂性远远超过简单的用户辅助交换。以纯文本、JSON、YAML 或 grep 将此类跟踪提供给反射器或其他分析机制可能会严重降低分析质量。本文介绍了 VCC（面向视图的对话编译器），这是一个编译器（lex、parse、IR、lower、emit），可将原始代理 JSONL 日志转换为一系列结构化视图：完整视图（用作规范行号坐标系的无损转录本）、用户界面视图（按照用户实际感知的方式重建交互）和自适应视图（由相关谓词控制的结构保留投影）。在 AppWorld 的上下文学习实验中，仅替换反射器的输入格式（从原始 JSONL 到 VCC 编译的视图）可以提高所有测试的三种模型配置的通过率，同时将反射器token消耗减少一半到三分之二，并产生更简洁的学习记忆。这些结果表明消息格式充当上下文学习的基础设施，而不是作为偶然的实施选择。