arXiv cs.CL· Guanghui Min, Chen Chen·· 2 天前AI 评分32
剪掉摘要而非历史：面向长程智能体的 Source-Judged Compaction
Prune the Summary, Not the History: Source-Judged Compaction for Long-Horizon Agents
AI 导读
针对长程 LLM 智能体的上下文压缩问题，研究者提出免训练的后处理步骤 Source-Judged Compaction（SJC）：用非生成式决策模型 Jev 为摘要中每条内容打分，判断其是否有环境输出或上一版摘要作为来源，并删除无来源条目。
正文 · AI 翻译
摘要：长时程 LLM 智能体依赖上下文压缩：当交互历史超出上下文窗口时，压缩器会将其替换为自然语言摘要。我们表明，这些摘要包含的不只是发生事件的记录。压缩提示要求给出决策和后续步骤，因此每个摘要都混合了环境所确立的事实与压缩器所写的推理，而智能体事后无法区分二者。在对一个广泛使用的结构化压缩器的分析中，83% 的失败运行可追溯到一个执行了某条具体摘要条目的动作，其中大多数条目没有环境输出支持。我们提出 Source-Judged Compaction（SJC），一种无需训练的后处理步骤，它对每条摘要条目评分，判断其在环境输出或先前摘要中是否有来源，并删除没有来源的条目。它既不改变智能体也不改变压缩器，每次压缩仅增加一次低成本的评判请求。该评判器是 Jev，一种非生成式决策模型，它以校准概率而非文本回答来源问题。在 AppWorld 和 OfficeBench 上，使用两个智能体模型，SJC 将底层压缩器的跨运行可靠性提升了 2.1%-8.9%，且未增加智能体的 token 用量。
| 评论： | 使用 Jev（一种非生成式决策模型）作为来源评判器。代码：此 https URL |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.20927 [cs.CL] |
| （或 arXiv:2610.20927v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20927 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Guanghui Min [查看邮箱]
[v1]
2026 年 10 月 14 日星期三 20:57:32 UTC（293 KB）
来源：arXiv cs.CL · arxiv.org