超越技能进化：长时域Agent工具的自我进化上下文管理策略

Harness演进通过从执行轨迹中学习来改进 LLM 智能体，但现有的基于经验和技能的方法在长期任务上效果较差。随着交互的增长，有用的证据可能会被冗余或过时的上下文所掩盖，从而使上下文管理本身成为一个关键瓶颈。我们引入了 ContextEvo，一个从长时域轨迹中学习上下文策略的框架。 ContextEvo 在关键决策点重建模型可见上下文，识别与上下文相关的故障，并应用有针对性的策略更新。从开源Pi-agent Harness开始，ContextEvo 提高了三个长期任务基准的性能，取得的结果与几个主要Agent Harness相当或更好，包括 Codex、OpenCode 和 OpenClaw。其他分析表明，固定或局部进化的上下文策略在长期信息压力下可能会达不到要求，而我们的方法可以适应每个环境的信息需求。