阿里提出智能体上下文管理新方法，性能大幅提升

来自 Alibaba 的出色工作。（收藏本条）如果你在开发长期运行的智能体，并且一直在重写你的记忆schema，一定要看看这个方法。

它本质上是把智能体上下文管理当成了一项编程任务。工作原理是这样的：每个智能体会话背后，都有一份仅追加的事件日志，以及一个隔离沙箱、持久化运行的 Python 内核。

工具输出、检索到的历史、派生状态都会在多轮模型调用中绑定到类型化变量，而不是每轮都序列化进提示词里。模型生成的代码搜索和转换这些状态，只有显式打印出来的投影才会进入工作视图。

事件日志保存了无损的真实数据，因此在你知道后续哪些内容会有用之前，不需要把任何内容提前压缩。当工作视图接近token配额上限时，过期的片段会被驱逐，但仍然可以恢复。

驱逐索引会把紧凑的路标绑定到精确的事件日志地址，因此智能体可以直接跳转回对应区域，不需要搜索完整日志。

测试结果：使用 Qwen3.8-Max，在 LongMemEval_S 上达到 94.8%，在 BEAM_10M 上达到 73.1%（比已发表的最佳记忆系统高出 5.1 个百分点），在 LOCA_256K 上达到 86.7%。

把上下文管理作为编程任务处理，意味着该方法可以直接继承未来模型编码能力的所有进步。

论文地址：

在我们的学院追踪更多热门AI论文：