跳到正文
arXiv cs.AI· Guolong Zheng, Chen Hou, Xu Yang, Jianshan Zhang, Tao Huang·· 10 小时前AI 评分53

Semantic Context Handoff:面向长程智能体的按需证据上下文交接

Semantic Context Handoff with On-Demand Evidence for Long-Horizon Agents

AI 导读

论文提出 Semantic Context Handoff(SCH),核心是把智能体的语义状态与支撑动作-观察证据分离,证据可按需重新进入上下文,无需单独摘要或检索模型调用。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:传统的长程 LLM 智能体通常通过全历史提示来传递上下文,保留此前所有的动作—观察交互。随着执行推进,该历史不断增长,增加了推理成本,并可能降低准确率。现有方法通过保留精简结论、移除较早观察来控制这种增长,但这样做可能丢弃后续变得相关的证据。我们提出语义上下文交接(Semantic Context Handoff,SCH),其核心抽象是状态—证据分离:精简的语义状态承载智能体当前的解读,而支撑性的动作—观察证据保持可单独寻址,并可在后续执行使其变得相关时重新进入上下文,无需单独的摘要或检索模型调用。
在实证上,SCH 提升了长程智能体的性能,同时大幅降低上下文成本。在一项受控的 150 任务 SWE-bench 研究中,SCH 的证据恢复在 token 用量和执行时间基本不变的情况下,将 Pass@1 从 $80.0\%$ 提升至 $86.9\%$。在完整系统对比中,SCH 实现了 86.9% 的 Pass@1,同时相比任务性能最强的基线,token 用量减少 43%,实际耗时减少 41%。跨模型和基准测试,SCH 相对全历史提示一致地减少 token 用量,同时与所评估的基线相比保持竞争力或有所提升。轨迹分析证实,SCH 是从交互历史中相当早的部分恢复证据,而不仅仅是保留最近的上下文窗口。
主题: 人工智能(cs.AI)
引用为: arXiv:2611.24357 [cs.AI]
  (或 arXiv:2611.24357v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.24357

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Tao Huang [查看邮箱]
[v1] 2026 年 11 月 18 日星期三 12:49:41 UTC(1,358 KB)

来源:arXiv cs.AI · arxiv.org