HyMem：基于信息隔离的长程智能体分层上下文管理

摘要

大语言模型（LLM）智能体在复杂、长程任务上常常表现不佳，因为其上下文会随时间推移日益混乱。随着交互累积，详细的执行轨迹与中间输出占据上下文主导地位，使模型难以保留和使用高层规划信息。大多数现有方法通过对单一扁平上下文施加压缩或检索来解决该问题，但这没有清晰区分不同类型的上下文信息，常导致推理退化。为应对这一挑战，我们提出HyMem，一个将智能体上下文显式划分为不同功能层的分层框架。HyMem按功能组织上下文，将高层规划与执行及复杂分析分离。其隔离的推理模块在不把中间推理轨迹写入持久规划上下文的情况下处理复杂子任务，其记忆管理模块通过结构化摘要跨上下文刷新保存任务进度。这些组件减少了冗余上下文累积，保留了任务关键信息，并在有限上下文窗口内支持连贯的长程推理。在GAIA与Browsecomp-plus上的实验表明，配合DeepSeek-V4，HyMem分别取得平均Pass@1 66.7%与61.3%，超过最强基线6.1与4.7个百分点。进一步分析显示，HyMem有效控制了推理上下文的增长，使模型在复杂长程任务上保持专注与准确。

HyMem：基于信息隔离的长程智能体分层上下文管理：论文配图 — 图2：HyMem 框架概览。查询到达时，规划层（PLanner Layer，a）执行任务分解与迭代规划。子任务依据复杂度被路由到执行层（b），在隔离的推理空间（c）中执行，并返回精炼后的结果以供战略性综合。与此同时，该框架通过将历史轨迹压缩为（d）中的结构化情景记忆、工作记忆和工具记忆来维持上下文效率，这些记忆会被重新注入，以保证长程任务的连续性与推理的专注。