摘要：工具使用型智能体的智能体控制遗忘：实践中的可逆上下文策展
摘要：工具使用型智能体反复携带观察结果，其中有用的内容可能远小于其原始载荷。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，将每个结果替换为原始位置上的简短注释，并将精确的原始内容保留在可恢复的归档中。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免受这些操作的影响。在一个探索性的 OpenTelemetry 调试案例及随后的一个无关实现任务中，该方法最终使用了 231,951 个提供商报告的提示 token，而保留历史记录下为 912,492 个，累计输入 token 减少了 50%，估计 API 成本为 1.28-1.44 美元，而后者约为 4.38 美元。两组均通过了两个案例的主要行为预言测试；两者均未完全满足后续评估。该方法发出了更多请求，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，而较早的延续尽管减少了上下文，但手动评估的质量较低。这些观察结果表明，在嘈杂的工具使用轨迹中可以节省大量资源，并确定工作负载依赖性是可逆上下文管理的核心考虑因素。