Self-GC：长时序Agent不是缺内存，是缺上下文治理
长时序Agent跑久了，上下文膨胀是道坎。Self-GC没走"压缩再压缩"的老路，它造了一套治理框架——像操作系统管理内存那样，自动决定什么该留、什么该藏、什么该删。
一、问题不在"太长"，在"治理"
现有方法处理长上下文，思路两极：被动摘要（等到塞满了再压缩），或局部剪枝（按规则删旧轮次）。
但这两种做法有一个共同盲区——它们只关心"变短"，不关心"治理"。
Self-GC指出，Agent的上下文不是普通文本。它要同时满足三个硬约束：
- 结构可恢复：被fold掉的轮次，后面可能还要展开
- 协议合规：工具调用的request/response配对不能乱，transcript格式得符合API规范
- 跨轮次稳定：这一轮fold的东西，下一轮不能凭空消失导致状态不一致
现有方法砍了长度，往往同时砍了其中一条或几条。Self-GC的任务是：三条都守住。
二、核心设计：对象化 + 异步治理 + 安全提交
Self-GC把上下文治理从"文本处理"升级为"结构化对象管理"。
对象化轮次
用户轮次和工具调用轮次被对象化，不再是扁平文本流。每个轮次带有类型标记、依赖关系、可折叠属性。这为后续的精确操作提供了基础。
异步治理操作
fold、mask、prune三种操作异步规划——不是每次都全量执行，而是按需调度：
- fold：把多个轮次折叠成一个摘要节点，保留可展开句柄
- mask：暂时隐藏但不删除，后面可能恢复
- prune：永久删除，释放空间
三种操作在"投影的transcript图"上验证——系统维护一个逻辑上的会话图谱，任何治理操作先在这个图上推演，确认不会破坏结构一致性，再实际执行。
安全边界提交
关键设计：操作只在"安全轮次边界"处提交。
什么意思？Agent不能在中途某个工具调用还没返回时突然把前面的上下文折叠了——那会破坏协议。Self-GC识别出安全的检查点（比如用户轮次结束、工具调用链完成），治理操作只在这些点上落地。
动态谱系修复
被折叠的轮次形成了"谱系"——后代节点依赖祖先。如果后面发现某个fold决策有问题（比如被藏起来的信息突然又需要了），Self-GC做动态谱系修复：回溯到相关节点，局部展开，重新计算上下文。
协议约束归一化
工具调用经常产生"悬空"结果（dangling tool calls）——Agent发了请求但结果还没回来，或者结果回来了但格式不对。Self-GC做协议约束的transcript归一化：修复不完整的调用对，理顺相邻助手轮次的格式。
控制平面提醒
最细的一个设计：防止模型把fold元数据当成真实内容去模仿。Self-GC在控制平面插入提醒标记，告诉模型"这些是治理标记，不是对话内容"，避免模型学歪。
三、实验：hard set上43.95%剪枝，84.85%成功率
论文在33-sample hard set上测试——注意是hard set，不是平均case。
| 指标 | 数值 |
|---|---|
| 平均剪枝率 | 43.95% |
| 任务成功率 | 84.85% |
这组数字的对比对象不是"不剪枝的基线"，而是激进的启发式基线（aggressive heuristic baselines）。Self-GC在剪枝近一半上下文的同时，把成功率维持在85%左右——显著改善了压缩/安全性权衡。
关键在于：它剪的是"该剪的"，不是"旧的"。
四、为什么这和其他"长上下文"工作不一样
最近长上下文Agent的工作不少，粗略分三类：
| 方向 | 代表 | 核心思路 | Self-GC的区别 |
|---|---|---|---|
| 外部记忆 | SAM、MemForest | 把记忆搬出上下文，按需召回 | Self-GC不搬出去，是在上下文内部做结构化治理 |
| 状态外化 | InfiAgent | 用文件系统做持久状态，上下文保持恒定 | Self-GC仍然用上下文，但让上下文自己学会"瘦身" |
| 状态漂移修复 | State Drift | 发现和修复Agent内部信念与真实环境的偏差 | Self-GC关注的是上下文表示本身的结构一致性 |
Self-GC的位置很独特：它不是要替代上下文，而是要让上下文自治——自己决定怎么fold、什么时候mask、哪些prune是安全的。这个"自治"（autonomic）的命名不是随便取的，它确实在模仿操作系统的内存管理机制：不是程序员手动malloc/free，而是垃圾回收器自动决策。
五、未解的问题
论文还在审稿，细节有限。几个我想追问的：
- fold质量的评估：谁来评判fold后的摘要是否保留了决策所需的全部信息？Self-GC用投影图验证结构正确性，但语义完整性呢？
- hard set的33个样本：覆盖哪些场景？跨多少个任务类型？这个规模能说明多大的问题？
- 与外部记忆系统的协作：Self-GC处理的是"活跃上下文"（active transcript），但长期经验存储在别处。两者如何衔接？
- 实时延迟：异步治理的调度开销在中等轮次（50-100轮）时的延迟是多少？
六、一句话判断
Self-GC把长上下文问题从"怎么压缩"转向了"怎么治理"。43.95%的剪枝率说明它确实能省token，但84.85%的成功率说明它省的不是"随便砍"。这篇工作的真正价值在于提出了一个框架——上下文治理应该被当作一阶问题来设计，而不是压缩算法的附属品。
参考文献
- Anonymous authors. (2026). Self-GC: Autonomic Context Governance for Long-Horizon LLM Agents. Paper under double-blind review.
#SelfGC #长上下文 #Agent治理 #双盲审稿 #上下文管理 #小凯
推荐
智谱 GLM-5 已上线
我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。