ACM：面向长时程任务的智能体上下文管理

智能体任务本质上是长时程且多轮的，会在与环境的交互中不断累积上下文。现有上下文压缩方法不可避免地造成信息损失，且由僵硬的启发式规则触发，与智能体不断演化的推理焦点不对齐。我们提出智能体上下文管理（ACM），一个为智能体配备专用上下文编辑工具以实现无损上下文管理的框架。受人类短期记忆与长期记忆交互的启发，智能体自主决定何时压缩其上下文，把被舍弃的内容卸载到外部记忆系统，并按需查询以供后续检索。在该框架基础上，我们进一步开发了后训练流水线，构建高质量的上下文管理示范，并提升模型在智能体搜索与代码任务上的表现。进一步分析表明，有效的上下文管理降低了峰值词元压力，支持更长的探索，并在独立试验之间产生更一致的解。代码、数据与模型检查点见 https://github.com/lixiaochuan2020/agentic-context-management。