Memory Condensation for Coding Agents — arXiv:2605.18854
核心贡献¶
本文系统评估了 8 种记忆凝结策略（Memory Condensation Strategies）在代码 Agent 中的效果，研究对象是数据驱动科学发现任务。背景：代码 Agent 在长时域任务中积累大量上下文，固定上下文窗口迫使从业者在截断和任务失败之间选择。
关键发现： - 凝结器不影响假设质量：测试的凝结器均未显著改变假设质量 - LLM-based 凝结器增加成本：token 成本增加 24-94% - 工具输出屏蔽效果最佳：屏蔽工具调用输出可实现 8.6% 的净节省 - 最优凝结器因领域和任务长度而异：科学领域和任务长度影响最优选择
为什么重要¶
此前没有系统性比较来指导记忆凝结策略选择。本研究填补了这一空白，为科学发现场景中的 Agent 上下文管理提供了实证指导。
与端侧/移动端相关性¶
- 成本效益：8.6% 净节省对资源受限的端侧部署意义重大
- 工具调用优化：屏蔽工具输出是最简单有效的策略
- 跨领域泛化：结论适用于不同领域的代码 Agent
八种凝结策略评估¶
| 策略类型 | Token 成本变化 | 假设质量影响 |
|---|---|---|
| 滑动窗口 | 降低 | 无显著变化 |
| LLM 摘要 | +24-94% | 无显著变化 |
| 工具输出屏蔽 | -8.6% | 无显著变化 |
| 混合方法 | 因配置而异 | 无显著变化 |
研究设计¶
- 任务：60 个 DiscoveryBench 任务，跨越 6 个科学领域（480 总评估）
- 模型：GPT-4o
- 评估指标：假设质量、Token 成本
参考文献¶
（参考文献待从原文补充）