新框架GRACE：让AI智能体在长期运行中保持可靠

当AI智能体在现实环境中长期运行时，其外部控制内容（agentic context）会随着操作经验不断更新积累。传统纯文本维护方式在长期演化中面临验证困难，因为积累的指令会相互影响，复杂度急剧增加。

来自arXiv的最新研究提出Graph-Regularized Agentic Context Evolution（GRACE）框架，将智能体的持久指令组件维护为类型化语义图。该框架的核心创新在于：在修改节点时，仅在局部类型化邻域内验证更新提议，确保验证的局部性和高效性。被接受的图更新会重构为对部署时使用的文本指令检查点的增量编辑。

研究团队在固定电信智能体环境中评估GRACE，采用受控分布偏移协议。结果显示，经过五次独立重复实验，GRACE将严格可靠性指标（pass^3）从Gemini 2.5 Flash的零样本基准值0.091提升至最终检查点的0.673±0.136。这一表现不仅超过了Gemini 3.1 Pro在相同测试集上的0.242零样本参考值，也显著优于纯文本基线方法的0.191±0.051。

研究指出，实现可靠的长期上下文演化需要两个关键条件：一是使验证局部化的结构基础，二是保持积累指令内容可用的整合机制。GRACE框架为AI智能体在动态环境中的长期稳定运行提供了新的技术路径。