摘要：面向工具使用智能体的智能体控制遗忘：实践中的可逆上下文管理
摘要：使用工具的智能体会反复携带观察结果，而这些观察结果的有用内容可能远小于其原始负载。我们研究智能体控制的遗忘：行动模型选择先前观察到的工具结果，在原始位置将每个结果替换为简短注释，并将精确原文保留在可恢复归档中。一个 Python 测试框架暴露了批量归档和显式恢复功能，无需任务特定的模型训练，同时保护用户指令和助手消息不受这些操作影响。在一个探索性 OpenTelemetry 调试案例及随后的无关实现任务中，该方法最终使用 231,951 个提供商报告的提示 token，而保留完整历史时为 912,492 个；累计输入 token 减少了 50%；估计 API 成本为 1.28–1.44 美元，而对照约为 4.38 美元。两组均通过了双案例主要行为判定；两者都未完全满足后续评估。该方法发起了更多请求，耗时增加了 17%。一组对比性的应用开发配对未产生上下文或成本节省，而较早的一次延续尽管减少了上下文，但人工评估质量更低。这些观察结果表明，在嘈杂的工具使用轨迹中可实现可观的资源节省，并确定工作负载依赖性是可逆上下文管理的核心考量因素。