ContextWeaver：LLM 代理的选择性和依赖结构内存构建

大语言模型 (LLM) 代理经常在长上下文交互中陷入困境。随着代理积累更多的交互历史，上下文管理方法（例如滑动窗口和提示压缩）可能会忽略后续步骤所依赖的早期结构化信息。最近基于检索的记忆系统显示了相关内容，但仍然忽略了多步骤推理所需的因果和逻辑结构。我们引入了 ContextWeaver，一个选择性的、依赖结构的记忆框架，它将代理的交互跟踪组织成推理步骤图，并为未来的操作选择相关上下文。与之前的上下文管理方法不同，ContextWeaver 支持：（1）基于依赖关系的构造和遍历，将每个步骤链接到它所依赖的早期步骤； （2）紧凑的依赖总结，将根到步骤的推理路径压缩为可重用的单元； (3) 包含执行反馈的轻量级验证层。在 SWE-Bench Verified 和 Lite 基准测试中，ContextWeaver 提高了 pass@1 中滑动窗口基线的性能，同时减少了推理步骤和词元使用。我们的观察表明，建模逻辑依赖关系为使用工具的 LLM 代理提供了稳定且可扩展的内存机制。