FlowState：执行状态作为长期 LLM Agent的记忆

长期任务要求 LLM Agent不断从早期交互中获取信息。然而，保留完整的历史记录会增加上下文成本，而压缩它则可能会丢失以后所需的细节，并且随着任务的进展，历史信息的相关性通常会变得明显。为了应对这些挑战，我们提出了 FlowState，它将执行状态视为可以在请求之间保留和重新访问的记忆，从而将当前决策与历史信息的重用统一起来。 FlowState 保留语义类型的状态节点、它们的关系以及对原始工具观察的引用，将持久保留与按需访问分开。在单个执行循环中，增量状态更新 (ISU) 根据新的输入和反馈维护当前状态，而渐进状态访问 (PSA) 在推理过程中根据需要逐步显示历史状态和支持证据。这些机制共同使Agent能够根据新信息重新评估先前的决策并指导后续行动。与使用相同 DeepSeek-V4-Flash 模型的全上下文基线相比，FlowState 在 MemoryArena 上的平均成功率和 $\tau^3$-Bench 上的平均通过率分别提高了 4.55 和 13.95 个百分点，同时减少了 43.2% 和 40.6% 的总词元消耗。这些结果证明了 FlowState 在长期任务上的性能和效率优势。