📄ArXiv AI•較早收集於 23h
AdaCoM：用於長程 AI 代理的自適應上下文管理
💡了解如何在不重新訓練基礎 LLM 的情況下，優化長程 AI 代理的效能。
⚡ 30-Second TL;DR
有什麼變化
引入基於外部 LLM 的管理器，無需重新訓練即可控制凍結代理的上下文。
為什麼重要
這項研究為封閉原始碼代理提供了一種實用且與模型無關的方法，以提升長上下文效能。它使開發人員無需存取模型權重，即可擴展現有 LLM 系統的有效推理窗口。
下一步行動
如果您正在構建具有長上下文限制的代理，請嘗試使用外部「管理器」LLM 來修剪上下文窗口，而不是僅僅依賴固定的摘要方法。
誰應關注：Researchers & Academics
關鍵要點
- •引入基於外部 LLM 的管理器，無需重新訓練即可控制凍結代理的上下文。
- •利用端到端強化學習執行靈活的上下文修改操作。
- •發現了「保真度與可靠性權衡」，代理效能決定了最佳壓縮策略。
- •證明了在具有相似能力水平的代理之間具有良好的泛化能力。
🧠 深度解析
Web-grounded analysis with 3 cited sources.
🔑 增強重點摘要
- •AdaCoM 框架旨在解決大型語言模型（LLM）代理在長程任務中常見的「長上下文退化」和「推理失敗」問題。
- •該框架透過主動修剪過時內容並保留任務約束和進度，有效緩解了代理的「約束遺忘」、「過早放棄」和「冗餘探索」等問題。
- •AdaCoM 對於閉源代理特別有益，因為它允許在不重新訓練代理本身的情況下實施上下文管理策略，從而降低了適應成本。
- •上下文管理器的動作空間設計靈活，不僅限於簡單的修剪，還能執行壓縮冗長證據、合併相關訊息等操作，或在保真度至關重要時保持上下文不變。
- •AdaCoM 的方法與現有的長期記憶系統（如 Mem0、A-Mem）形成互補，它專注於單一長程任務中的「工作記憶管理」，以確保代理的活躍上下文始終有用於任務完成。
🛠️ 技術深入
- AdaCoM 透過訓練一個外部大型語言模型（LLM）作為上下文管理器來運作，該管理器使用靈活的修改動作和端到端強化學習來控制凍結代理的上下文。
- 上下文管理器的策略
πθ(· | p)根據管理提示p選擇結構化的修改動作。 - 該問題被公式化為一個馬可夫決策過程（MDP），用於訓練上下文管理器。
- 可用的修改動作包括移除過時資訊、壓縮冗長證據、合併相關訊息，或在保真度重要時保持上下文不變。
- AdaCoM 的工作流程涉及代理首先在受管理的上下文
˜ct−1上執行動作，環境返回觀察結果ot，然後上下文管理器決定下一個修改步驟。 - 該框架在網頁搜尋和深度研究基準上進行了評估，顯示出顯著的性能提升。
🔮 前景展望AI analysis grounded in cited sources
促進更廣泛的AI代理應用。
透過有效管理長程任務的上下文，AdaCoM 能夠使AI代理在複雜的現實世界應用中更加可靠和高效，例如深度研究和複雜的網頁互動。
簡化AI代理的開發與部署。
由於 AdaCoM 允許在不重新訓練凍結代理的情況下管理上下文，這將大大降低開發和維護成本，特別是對於閉源或預訓練代理。
催生可重複使用的通用上下文管理器。
AdaCoM 在能力相似的代理之間表現出良好的泛化能力，這表明未來可能開發出能夠跨多個不同代理使用的標準化上下文管理解決方案。
⏳ 時間線
2026-05
AdaCoM 論文「Learning Agent-Compatible Context Management for Long-Horizon Tasks」提交至 arXiv
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗