当智能体上下文变得陈旧时：易失性智能体上下文中的不连贯性

现代智能体越来越多地将推理基于工具返回的观察结果，例如从工作区读取的文件内容。然而，这些观察结果背后的数据源稍后可能会被用户、其他智能体或外部工具修改，而模型仅保留其上下文窗口中的过时内容。现有的智能体运行时几乎不支持通知模型先前观察到的事实已过时，导致智能体重用过时的观察并对当前工作区状态做出错误的声明。我们提出了 Concord，一个上下文连贯性框架，它保持智能体上下文中的工具观察与派生它们的可变源之间的一致性。 Concord 将每个观察结果链接到其源，检测源更改，并使用可配置处理策略在重用之前更新、注释或抑制过时的上下文。 Concord 适用于不同的智能体运行时和外部资源，并且可以轻松扩展到新的运行时资源设置。我们将 Concord 作为通用框架来实现，并实例化一个具体用例来评估其有效性。我们构建了 ConcordBench，其中先前观察到的文件内容在后续编辑后变得陈旧。在三个评估的前沿模型中，Concord 生成的答案与在这些构建条件下的所有评估案例中恢复的工作区状态一致，与此基准的恢复计数上的 Oracle 相匹配，同时使用的token比最强的非 Oracle 基准少 46.4%。