Self-GC：让大模型智能体自主管理上下文，提升长任务处理效率

在长序列任务中，大语言模型智能体需要处理大量工具调用结果、文件内容、计划步骤和用户约束，这些结构化信息难以简单作为一次性文本后缀处理。现有系统多依赖运行时启发式方法（如按时间剪枝、工具输出掩码）或在接近上下文限制时进行最终自我总结，但这些方法存在局限：启发式方法廉价但无法预见未来依赖关系；总结虽能保留叙事状态，却常常隐藏具体证据、定位信息和可编辑内容。

arXiv最新研究提出Self-GC框架，其中GC既指代自主治理上下文，也巧妙呼应垃圾回收概念。该系统不仅回收未使用的令牌，更重要的是管理智能体上下文对象的完整生命周期。Self-GC将用户交互轮次、工具调用片段和技能状态转化为可索引对象，通过侧信道规划器提出折叠、掩码和剪枝操作建议，并由执行框架确保可恢复的侧载数据、安全的提交边界和缓存感知的提交机制。

实验结果显示，在33个会话的困难任务集上，Self-GC能剪除43.95%的前缀令牌，同时保持84.85%的未来任务连续性不受影响，而传统启发式方法的无影响率仅为54.55%至69.70%。在332个生产级任务套件中，三种规划器骨干的无影响率达到91.27%至94.58%，基准方法则为77.71%至87.46%。生产环境部署显示，在线账户级分流使日间平均输入令牌减少10%至15%，峰值减少接近20%。

这些成果表明，上下文管理应被视为对可索引、可恢复对象的运行时生命周期控制，而非事后文本清理。该研究为大模型智能体处理复杂长序列任务提供了新的技术思路。