ContextBudget：面向长期搜索智能体的预算感知上下文管理
人工智能
2026-04-03 v1
摘要
基于 LLM 的智能体在长程推理方面展现出巨大潜力，但其上下文大小受到部署因素（如内存、延迟和成本）的限制，导致受限的上下文预算。随着交互历史的增长，这导致在保留过时信息与 staying within 上下文限制之间存在权衡。为此，我们提出了预算感知上下文管理 (BACM)，其将上下文管理形式化为受上下文预算约束的序列决策问题。它使智能体能够在纳入新观察之前评估可用预算，并决定何时以及如何压缩交互历史。我们进一步开发了 BACM-RL，一种基于课程的强化学习方法，在 varying 上下文预算下学习压缩策略。在组合多目标 QA 和长期网页浏览基准测试中进行实验，BACM-RL 在模型规模和任务复杂度方面均优于先前方法，在高复杂度场景下实现超过 的增益，而在预算收缩的情况下仍保持显著优势，其中大多数方法会出现性能下降。
引用
@article{arxiv.2604.01664,
title = {ContextBudget: Budget-Aware Context Management for Long-Horizon Search Agents},
author = {Yong Wu and YanZhao Zheng and TianZe Xu and ZhenTao Zhang and YuanQiang Yu and JiHuai Zhu and Chao Ma and BinBin Lin and BaoHua Dong and HangCheng Zhu and RuoHui Huang and Gang Yu},
journal= {arXiv preprint arXiv:2604.01664},
year = {2026}
}