工具型Agent的可恢复遗忘：压缩历史结果并保留原文

使用工具的Agent会反复携带观测结果，而其中有用的内容可能远少于原始载荷。我们研究由Agent控制的遗忘：执行模型选择以前看到的工具结果，在其原始位置用短说明替换，并将准确的原文保存在可恢复归档中。Python Harness提供批量归档和显式恢复，无需针对任务训练模型，同时保护用户指令和助手消息，使其不受这些操作影响。在一个探索性的OpenTelemetry调试案例及其后一个无关的实现任务中，该方法最终由提供商报告的提示Token数为231,951，保留历史的对照为912,492；累计输入Token减少50%，估计API成本为1.28—1.44美元，对照约4.38美元。两个实验组均通过由两个案例组成的主要行为验证，但都没有完全通过后续评测。该方法发出更多请求，耗时增加17%。另一组应用开发对照没有节省上下文或成本；更早的一次接续运行尽管减少了上下文，人工评估质量却更低。这些观测表明，噪声较多的工具使用轨迹可能节省大量资源，同时说明工作负载依赖性是可恢复上下文管理的核心考虑因素。