清华提出CoACT压缩Coding Agent上下文
AI 总结
据机器之心报道,清华大学团队提出CoACT,通过保持智能体的下一步动作来评估观测压缩,而非比较压缩文本与原文的相似度。在200个SWE-bench Verified实例和三个智能体模型上,CoACT据报平均减少33.0%的总Token消耗,平均PASS@1从69.0%升至71.0%,交互步数从56.5降至51.2。该研究还报告,CoACT与AgentDiet结合时估算总成本降至25.88美元,同时保持相近的任务成功率。
深度见解
CoACT为降低Coding Agent的上下文开销提供了一种可验证的方法,且报告结果覆盖多个智能体模型。
机器之心 2026-11-13 14:28 北京
能否在不影响任务完成的前提下压缩上下文?
Coding Agent 的上下文越长,每一步调用的开销越高,能否在不影响任务完成的前提下压缩上下文?
Coding Agent 解决软件问题时,需要反复查看代码、修改程序、运行测试:每一步返回的文件内容、搜索结果和日志,都会留在上下文里,下一轮调用时还要整段重新带上。任务越难,上下文越长,每一步要处理的 token 就越多,费用也越高。统计发现,在 SWE-bench Verified 上,这些 observation 占了总 token 消耗的 45.7%,在 Terminal-Bench 上最高达到 67.8%。
#CoACT#Tsinghua University#Qwen3.5-4B#Qwen3.5-35B-A3B#Deepseek-v4-Pro#Gemini3-Flash#AgentDiet#LLMLingua-2#SWE-Pruner#LongCodeZip#SWE-bench Verified