自主内存管理在 LLM 代理中 LLM 代理在长时间任务中面临上下文膨胀的问题。 随着交互历史的增长，计算成本激增，延迟增加，推理因无关的过去错误而受到干扰，效果下降。 标准方法是仅追加：每个想法、工具调用和响应都会永久累积。这适用于短任务，但对于复杂探索则保证失败。 本研究介绍了 Focus，一种以粘菌（Physarum polycephalum）为灵感的以代理为中心的架构。生物学的见解是：生物体并不会保留每次通过迷宫的每个动作的完美记录。它们保留的是学习到的地图。 Focus 为代理提供了两个新的原语：start_focus 和 complete_focus。代理自主决定何时将学习内容整合到一个持久的知识块中，并主动修剪原始交互历史。没有外部计时器或启发式方法强制压缩。 它声明你正在调查的内容，使用标准工具进行探索，然后通过总结尝试了什么、学到了什么以及结果来进行整合。系统将此附加到持久的知识块中，并删除检查点与当前步骤之间的所有内容。 这将单调增加的上下文转换为锯齿形模式：在探索期间增长，在整合期间崩溃。 在 SWE-bench Lite 上与 Claude Haiku 4.5 的评估显示，Focus 实现了 22.7% 的令牌减少（从 14.9M 降至 11.5M 令牌），同时保持相同的准确性（基线和 Focus 均为 60%）。个别实例显示节省高达 57%。 积极的提示很重要。被动提示仅节省了 6%。明确指示每 10-15 次工具调用进行压缩，并提供系统提醒，将每个任务的压缩次数从 2.0 增加到 6.0。 能够的模型在获得适当工具和提示时可以自主调节其上下文，为不牺牲任务性能的成本意识代理系统开辟了道路。 论文： 在我们的学院学习如何构建有效的 AI 代理：