GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximi...

GenericAgent论文核心总结+关键章节中英对照

一、文章核心内容

1. 研究背景与问题

长时序大模型智能体受上下文爆炸与经验无法有效复用两大瓶颈限制：

• 交互变长后，工具描述、记忆、环境反馈挤占有效上下文，降低决策质量。
• 任务间经验流失，重复试错，Token消耗线性增长但能力停滞。

2. 核心设计理念

上下文信息密度最大化：智能体性能不取决于上下文长度，而取决于有限预算内决策相关信息的留存与更新效率。

3. 四大核心组件

1. 最小原子工具集：仅9个原子工具，降低接口开销与决策复杂度。
2. 分层按需记忆：默认仅展示轻量索引层，深层记忆按需检索，避免上下文膨胀。
3. 自进化机制：将验证后的执行轨迹提炼为可复用SOP与可执行代码，跨任务沉淀经验。
4. 上下文截断与压缩层：通过分级裁剪、压缩，长期保持上下文简洁聚焦。

4. 实验结论

• 在任务完成率、工具效率、记忆效果、自进