自主記憶管理於 LLM 代理人 LLM 代理人在長期任務中因為上下文膨脹而掙扎。 隨著互動歷史的增長，計算成本激增，延遲增加，推理因無關的過去錯誤而受到干擾。 標準方法是僅附加：每個想法、工具調用和回應都會永久累積。這對於短期任務有效，但對於複雜的探索則保證失敗。 本研究介紹了 Focus，一種受黏菌（Physarum polycephalum）啟發的以代理人為中心的架構。生物學的見解：生物體不會保留每次通過迷宮的每一個動作的完美記錄。它們保留的是學習到的地圖。 Focus 為代理人提供了兩個新的原語：start_focus 和 complete_focus。代理人自主決定何時將學習整合到持久的知識區塊中，並主動修剪原始的互動歷史。沒有外部計時器或啟發式方法強制壓縮。 它聲明你正在調查的內容，使用標準工具進行探索，然後通過總結所嘗試的內容、所學到的知識和結果來整合。系統將這些附加到持久的知識區塊中，並刪除檢查點與當前步驟之間的所有內容。 這將單調增加的上下文轉換為鋸齒形模式：在探索期間增長，在整合期間崩潰。 在 SWE-bench Lite 上使用 Claude Haiku 4.5 的評估顯示，Focus 實現了 22.7% 的標記減少（從 14.9M 減少到 11.5M 標記），同時保持相同的準確性（基準和 Focus 均為 60%）。個別實例顯示節省高達 57%。 積極的提示很重要。被動提示僅產生 6% 的節省。明確指示每 10-15 次工具調用進行壓縮，並提供系統提醒，將每個任務的壓縮次數從 2.0 增加到 6.0。 有能力的模型在給予適當的工具和提示時可以自主調節其上下文，為不犧牲任務性能的成本意識代理系統開辟了道路。 論文： 在我們的學院學習如何建立有效的 AI 代理人：