上下文即环境：面向长程智能体的程序化上下文管理

LLM 智能体越来越多地承担长期运行的任务，其历史远远超出单个模型上下文窗口。现有方法压缩早期交互，或把精选信息抽取为固定记忆表示，在未来需求未知之前就预先承诺保留什么。我们提出 Scroll，一个把每个智能体会话视为可执行会话环境（Session Environment）的上下文管理器。该环境由只追加的事件日志（Event Log）和一个沙箱化、持久的 Python 内核支撑。内核跨模型调用维护一个带类型的命名空间，使工具输出、检索到的历史和派生状态绑定到变量，而不是在每次调用时序列化进提示。模型编写的代码通过 exec 搜索、物化并变换会话状态；只有显式打印的投影进入模型下一次调用的可见工作视图。由此，上下文管理变成一项编程任务，继承 LLM 不断改进的编码能力，同时事件日志保留无损的历史真值。当工作视图接近预算时，陈旧片段被逐出但仍可恢复：一个逐出索引把紧凑的航标（landmark）绑定到确切的事件日志地址，使智能体直接导航到被逐出区域而非搜索整个日志。以 Qwen3.8-Max 为骨干，Scroll 在 LongMemEval_S 上达到 94.8%；在 BEAM_10M 上达到 73.1%，超过已发表的最好记忆系统 5.1 分；在 LOCA_256K 上达到 86.7%，超过已发表的最好长程智能体 37.4 分。