论文
GenericAgent：通过上下文信息密度最大化实现词元高效的自我进化 LLM 代理 (V1.0)
GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0)
摘要
长视野 大语言模型 (LLM) 代理从根本上受到上下文的限制。随着交互时间的延长，工具描述、检索到的记忆和原始环境反馈会不断积累，并挤出决策所需的信息。与此同时，从任务中获得的有用经验往往会在不同阶段中丢失。我们认为，长期性能不是由上下文长度决定的，而是由有限上下文预算内保留了多少决策相关信息决定的。我们提出了 GenericAgent (GA)，这是一个通用的、自我进化的 LLM 代理系统，围绕一个原则构建：上下文信息密度最大化。 GA 通过四个紧密相连的组件来实现这一点：保持界面简单的最小原子工具集、默认情况下仅显示小型高级视图的分层按需内存、将经过验证的过去轨迹转化为可重用的 SOP 和可执行代码的自进化机制，以及在长时间执行期间保持信息密度的上下文截断和压缩层。在任务完成、工具使用效率、记忆效率、自我进化和网页浏览方面，GA 始终优于领先的代理系统，同时使用的词元和交互显着减少，并且随着时间的推移不断发展。项目：https://github.com/lsdefine/GenericAgent