面向多轮人机对话的智能体式上下文管理

LLM 在多轮对话中的性能下降，部分源于上下文污染：模型自身先前的输出会留在上下文中，并对后续轮次形成锚定，因此，即使用户作出纠正，模型早期对用户意图的误读仍可能持续存在。助手消息省略（AO）通过丢弃所有助手消息来消除这种污染，但当交互涉及回指时便会失效：后续轮次会回指仅存在于助手轮次中的草稿、决策和工具调用结果。我们提出 Agentic Conversation Context Curation（AC3），这是一种无需训练的方法，由独立的分析器执行以下操作：（1）仅根据用户消息整合任务规范；（2）依据该规范审查助手先前的输出；（3）编辑上下文，具体方式为追加分析，或丢弃助手侧内容并根据任务规范重建上下文。第二个发现是：污染具有传染性。如果分析器在提取任务规范时能看到助手的推理，其表现可能比不进行干预还差，而指示它忽略这些推理也未能弥合差距，因此我们从结构上排除了助手轮次。在 Lost in Conversation 上（重放按难度筛选的实例），AO 因数据构造方式而成为理想基准；在四项任务中的三项上，AC3 缩小了完整上下文与 AO 之间差距的 55%–84%，并在第四项上超越了 AO。即使投入更多计算资源，忠实总结历史记录的 LLM 也无法复现这一增益。在真实的 WildChat 对话上，对于主表中的每一种配置，GPT-5-mini 评判模型都更偏好 AC3 生成的下一轮回复，而非使用完整上下文或 AO 生成的回复，不过这种偏好取决于评判模型；在 CollabLLM 上，结果则有好有坏。在有状态工具使用场景（tau2-bench）中，AO 在所有模型上的表现均崩溃至 0%；AC3 未出现崩溃，但略逊于完整上下文。检测器研究表明，Reset 能移除注入的污染，但并不具备文本片段级的选择性：其增益来自任务规范的重建。