arXiv cs.AI· Chenle Chen, Yangbo Wei, Zhijie Zheng, Zhenyu Su, Qifan Wang, Junhong Qian, Chao Yao, Chen Wu, Lei He·· 11 小时前AI 评分34
RECAP：为长程智能体实现风险受控的上下文自适应遗忘
When to Forget: Risk-Controlled Context Adaptation for Long-Horizon Agents
AI 导读
研究提出 RECAP 框架，通过匹配上下文干预、执行关系预测与独立策略认证，决定长程智能体何时保留、压缩或删除失败历史。在 Hunyuan-A13B 上，它编辑了 43.24% 的保留检查点，同时匹配 KEEP 的 91.89% 续执行成功率，并将无条件平均续执行提示词成本降低 4,619.8 tokens（2.13%）。五个骨干模型上均产生正向配对成功节省估计，但可靠性-效率权衡因骨干而异。
正文 · AI 翻译
摘要：长程智能体从失败中学习，但失败记录的价值会随执行推进而变化。我们研究在何种情况下，保留、压缩或移除同一历史块，相对于全历史 KEEP 能改善后续执行。我们提出 RECAP，一个结合匹配上下文干预、执行关系预测与独立策略认证的框架。匹配的环境状态与 rollout 种子用于衡量成功率和续写提示成本的差异；失败块与当前执行之间仅前缀的关系可提出有前景的编辑方案。随后，独立任务包在固定测量协议下，选择满足有害干预与非正收益风险约束的策略。一个五种子纵向案例将失败块及其摘要均固定：压缩在早期状态失败，而在较晚状态成为节省成本的干预。在五个骨干模型上，RECAP 产生正的配对成功节省估计，并呈现骨干特定的可靠性—效率权衡。在 Hunyuan-A13B 上，它编辑了 43.24% 的保留检查点，同时匹配 KEEP 观测到的 91.89% 续写成功率，并将无条件平均续写提示成本降低 4,619.8 个 token（2.13%）。该框架为决定何时遗忘提供了执行层面的参考：依据历史对后续内容的价值来保留历史。
| 评论： | 32 页，5 幅图，14 张表 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.22897 [cs.AI] |
| （或本版本使用 arXiv:2610.22897v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.22897 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Chenle Chen [查看邮箱]
[v1]
2026 年 10 月 16 日星期五 04:01:00 UTC（2,438 KB）
来源：arXiv cs.AI · arxiv.org