StateComp：面向长程任务智能体的状态条件历史压缩机制
在执行长程任务时，智能体会持续积累交互历史，而既有上下文管理方法多依赖固定窗口或即时相关性，难以判断历史交互何时可安全替换。过早压缩易导致未来关键信息丢失，过度保留又会带来巨大的上下文开销。为此，该研究提出了状态条件压缩框架StateComp，旨在根据智能体的状态演变动态学习何时适合压缩历史，在降低上下文负载的同时保留关键信息（注：原文摘要末尾内容有所截断）。
推荐理由针对长程AI智能体面临的上下文开销与关键信息丢失两难问题，提出了自适应压缩时机的新方案。
原标题：StateComp: Learning When to Compress History in Long Horizon Agents
阅读 arXiv 人工智能 原文 ↗