arXiv cs.AI· Minghao Li, Bangyan Li, Zifan Wang, Yulong Li, Hu Xu, Gan Zhang, Jingtong Wu, Wenqiang Xu·· 9 天前AI 评分32
FlowState：以执行状态作为长程 LLM 智能体的记忆
FlowState: Execution State as Memory for Long-Horizon LLM Agents
AI 导读
FlowState 将执行状态作为可跨请求保留与重访的记忆，通过增量状态更新（ISU）与渐进状态访问（PSA）统一当前决策与历史信息复用。在相同 DeepSeek-V4-Flash 模型下，其 MemoryArena 平均成功率与 τ³-Bench 平均通过率分别比全上下文基线提升 4.55 和 13.95 个百分点，总 token 消耗降低 43.2% 和 40.6%。
正文 · AI 翻译
摘要：长时程任务要求 LLM 智能体持续利用先前交互中的信息。然而，保留完整历史会增加上下文成本，而压缩历史则可能丢失后续所需的细节，且历史信息的相关性往往随着任务推进才逐渐显现。为应对这些挑战，我们提出 FlowState，它将执行状态视为可跨请求保留和重访的记忆，将当前决策与历史信息的复用统一起来。FlowState 保留语义类型化的状态节点、它们之间的关系以及对原始工具观测的引用，将持久保留与按需访问分离。在单个执行循环中，增量状态更新（ISU）根据新输入和反馈维护当前状态，而渐进式状态访问（PSA）在推理过程中按需逐步揭示历史状态及支撑证据。这些机制共同使智能体能够根据新信息重新评估先前的决策，并指导后续行动。与使用相同 DeepSeek-V4-Flash 模型的全上下文基线相比，FlowState 在 MemoryArena 上的平均成功率提高了 4.55 个百分点，在 $\tau^3$-Bench 上的平均通过率提高了 13.95 个百分点，同时总 token 消耗分别降低了 43.2% 和 40.6%。这些结果证明了 FlowState 在长时程任务上的性能与效率优势。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2609.34565 [cs.AI] |
| （或使用 arXiv:2609.34565v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2609.34565 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Bangyan Li [查看电子邮件]
[v1]
2026年9月28日星期一 08:18:03 UTC（328 KB）
[v2]
2026年10月8日星期四 12:31:23 UTC（328 KB）
来源：arXiv cs.AI · arxiv.org