评估数据驱动科学发现中编码代理的记忆浓缩策略
机器学习
2026-05-20 v1
摘要
编码代理在长时间任务中积累大量上下文，但固定上下文窗口迫使实践者在截断与任务失败之间做出选择。尽管已提出诸种记忆浓缩策略，从简单滑动窗口到LLM生成摘要，但目前尚无系统性比较为策略选择指导，尤其在科学发现任务中。我们使用GPT-4o在六大科学领域覆盖480个DiscoveryBench任务上评估八种记忆浓缩策略。我们发现，无浓缩策略显著影响假设质量，而LLM-based浓缩器因增加24%~94%的token成本，遮蔽工具调用输出可实现8.6%的净节省。我们还观察到，数据驱动科学发现的最佳浓缩器随科学领域与任务长度而异。
引用
@article{arxiv.2605.18854,
title = {Evaluating Memory Condensation Strategies for Coding Agents in Data-Driven Scientific Discovery},
author = {Renuka Chintalapati and Sid Raskar and Anurag Acharya and Jared Willard and Patrick Emami and Sameera Horawalavithana},
journal= {arXiv preprint arXiv:2605.18854},
year = {2026}
}