TACO: Terminal Agent Compression — arXiv:2604.19572
核心贡献¶
本文提出 TACO（Terminal Agent Compression），一个用于高效终端 Agent 的可插拔、训练无关、自进化的观测上下文压缩框架。核心解决：终端 Agent 在长时域多轮工作流中，交互历史积累大量噪声终端观测，导致上下文饱和和高 token 成本。
关键创新点： - 自进化压缩规则：从交互轨迹中自动发现、细化和复用结构化压缩规则 - 工作流自适应过滤：根据工作流类型自适应过滤低价值终端输出，同时保留任务相关观测 - 无需训练：直接应用于现有终端 Agent，无需额外训练
为什么重要¶
终端环境高度异构（不同仓库、命令、执行状态），传统启发式或固定压缩方法难以泛化。TACO 通过自进化方式自动适应不同工作流，在保持任务关键信号的同时压缩上下文。
与端侧/移动端相关性¶
- Token 成本降低：长时域任务中 token 消耗是主要成本，对边缘部署尤为重要
- 推理效率提升：1%-4% 准确率提升 + 相同 token 预算下 2%-3% 额外提升
- 通用性强：适用于多种 Agent 框架和骨干模型
实验验证¶
基准测试：TerminalBench（TB 1.0 和 TB 2.0）、SWE-Bench Lite、CompileBench、DevEval、CRUST-Bench
主要结果： - TerminalBench：强 Agent 模型上 1%-4% 准确率提升 - 相同 token 预算下额外 2%-3% 准确率提升 - 额外基准：保持/提升任务成功率的同时降低总 token 消耗
方法细节¶
TACO 三阶段流程： 1. 规则发现：从初始交互轨迹中识别压缩模式 2. 规则细化：基于反馈持续优化压缩规则 3. 规则复用：将学习到的规则应用于新任务
核心机制：结构化压缩规则 + 工作流感知过滤
参考文献¶
（参考文献待从原文补充）