上下文管理

研究者提出RCWT测试协议，量化大模型多智能体系统中协调内容对任务执行预算的挤占效应。实验发现当参考证据降至数百token时，模型性能会急剧下降。

研究团队提出共享选择性持久内存架构，解决智能体LLM系统在多轮工具使用中的上下文遗忘问题，通过选择性保留可重用信息实现96%任务完成率，相比无内存方案提升17个百分点。

研究人员提出Graph-Regularized Agentic Context Evolution（GRACE）框架，通过图结构管理智能体上下文，显著提升长期运行下的可靠性验证能力。

研究人员提出Self-GC框架，将智能体运行中的工具结果、文件、计划等转化为可索引对象，通过侧信道规划器动态管理上下文生命周期，在保持任务连续性的同时显著减少上下文长度。