查看 PDF HTML（实验性）摘要：生产AI代理的失败往往不是因为他们无法进行良好的推理，而是因为他们无法管理推理上下文中的内容：对话历史、大提示、大工具定义以及膨胀的工具输出。代理在自己累积的历史中溺水，而每个回合的代币成本也在不断增加，在对话内外产生缺失的回忆。现有的应对方式将其视为存储和检索问题。我们认为这种框架过于狭窄。积极管理代理所持有的信息是一个生命周期，而不仅仅是一个存储：这涵盖了决定记住什么、提取和结构化信息、为每种数据类型选择合适的存储、在保持来源的前提下进行整合和遗忘、决定现在什么是相关的、预测下一个需要什么，以及在不失去重要内容的情况下将上下文压缩到预算内。在严肃的生产中，这不仅仅是针对单一用户，而是跨越整个组织的范围层级。我们将这一学科称为代理上下文管理（ACM），并将其分解为五个基本元素：架构、摄取、范围、预测以及压缩与整合。然后我们提出经济论证：幼稚的上下文累积使代币成本随对话长度呈平方增长，粗略的摘要以准确性悬崖为代价获得线性成本，而只有经过验证的压缩才能在保持真实度的前提下实现线性成本。我们描述了一个参考实现——Maximem Synap，它将这五个基本元素实现为一个多租户服务，并在第6节中详细描述的配置下，在LongMemEval上报告92％，在LoCoMo上报告93.2％。我们最后提出现有基准尚未捕获的维度：延迟、代币效率和上下文衰退抵抗力，以及这一类别指向的决策层级和组织层级上下文的前沿。备注：23页，6个图，4个表。评估工具和研究数据：此 HTTP URL 主题：人工智能 (cs.AI)；信息检索 (cs.IR) ACM 类别：I.2.7；I.2.11；H.3.3 引用格式：arXiv:2607.21503 [cs.AI]（或 arXiv:2607.21503v1 [cs.AI] 代表此版本）https://doi.org/10.48550/arXiv.2607.21503 arXiv 发放的 DOI 通过 DataCite 提交历史来自：Gaurav Dadhich [查看电子邮件] [v1] 2026年7月23日 星期四 16:51:31 UTC (123 KB)