「已完成」三个字,值 6.89 分——语义交接与 Agent 的翻案艺术
「已完成」三个字,值 6.89 分——语义交接与 Agent 的翻案艺术
📕 三部曲之一:什么该随身,什么该入档
从 Papers.Cool 每日 arXiv 追踪 | 2026-11-19 列表
深夜的病房里,交班的住院医不会把每个病人的完整病程从头背一遍。她递给接班同事的是一张卡片:三床术后第二天,引流正常,注意今晚体温;七床的抗生素明天该停了;九床那个「已排除肺栓塞」的诊断——值班主治说再观察一下,别急着签字。
卡片上没有化验单、CT 胶片和护理记录。但这些都没有被扔进碎纸机——它们在档案室里,病案号清清楚楚,随时可以调出来。真正好的交接,不是传递全部信息,而是传递当前的理解,同时保证支持这个理解的证据仍然可以被找到。
这就是 Semantic Context Handoff(SCH,语义上下文交接)要做的事情。来自闽江大学的 Guolong Zheng、Chen Hou、Xu Yang 等人,把医院交班的这套逻辑,搬到了长程 LLM Agent 的上下文管理里,并且用一组非常克制的对照实验证明:仅仅是让「已完成」工作的证据可以被翻案调回,就让 SWE-bench 150 题上的 Pass@1 从 80.00% 跳到了 86.89%——在 token 用量和执行时间几乎不变的前提下。
🧊 两个老办法,两种死法
先把问题从头讲清楚。
一个 Agent 执行任务,走一步看一步。它读了文件,改了代码,跑了测试。每一步的「动作—观察」记录都在累积。走到第五十步的时候,它手里攥着五十段历史。这些历史怎么办?
办法一:全量搬运。 每次调用模型,把全部历史一股脑塞进去。这就是 full-history prompting。问题显而易见:每次推理都要重新读一遍越来越长的历史,token 账单随步数线性甚至超线性上涨——论文报告 Full History 平均每题累计消耗 1713.3k tokens,其中输入占了 1700.7k,来自一遍又一遍的重新提交。更要命的是,相关信息会被埋在噪声里——就像让你在图书馆里找一句话,但条件是每次都必须从第一本书的第一页开始读。有意思的是诊断数据:150 个任务、8076 次模型调用,没有任何一次逼近模型的上下文窗口上限(最大单次输入约 140k,窗口约 1M,占比 13.4%)。所以 Full History 的失败根本不是「装不下」,而是「读不完、读不准、读不起」。
办法二:压缩总结。 定期把历史总结成一段紧凑的结论,丢掉原始观察。便宜多了——ACON、ReSum、PACT 都在这个方向上做出了漂亮的成绩。但这里藏着一个更阴险的失败模式,论文里有一句话概括得极好:「一个紧凑的结论可能在支持重新考虑它的观察被删除之后,仍然留在上下文里。」
想象一个修 bug 的 Agent。第六步,它检查了一个配置文件,观察到一个可疑模式,记下了假设 A;第三十步,它据此改了代码,把这个工作项标记为「已完成」;第五十步,验证失败——测试报错了。这时它需要回到最初的观察:「等等,我当时看到的那份配置,真的是我以为的那样吗?」但原始的观察记录早已被总结成一句话吞掉了,剩下只有那个结论:「A 是根因。」
总结是不可逆的。结论一旦形成,证据就被销毁了。这就像法庭只剩判决书、案卷却烧了——你没法翻案。
SCH 把这两个需求拆开成两个独立的问题:**什么语义信息应该持续可见?什么历史证据应该在其再次相关时可恢复?**全量搬运把两个问题都答对了但代价失控;不可逆压缩把第一个问题答好了但第二个问题直接放弃。
📚 前史:从压缩历史到分离表征
SCH 不是凭空出现的。把它的位置放进谱系里,才能看清它到底新在哪里。
第一条线是上下文压缩。LongLLMLingua 按信息量选择性保留 prompt 内容;ReSum 周期性地把累积历史总结成摘要;ACON 学习长程 Agent 的压缩策略;PACT 把交互表示成紧凑的动作—状态记录。这条线的共同点是:目标是在上下文里维护一份越来越小的历史。它们都在回答「怎么把过去变小」。SCH 不在这条线上——它维护的不是压缩的历史,而是当前执行状态的单一表示,历史本身以原始形态躺在别处。
第二条线是Agent 记忆。MemGPT 像操作系统一样组织分层记忆;Reflexion 保留反馈和复盘;Generative Agents 和 MemoryBank 维护长期经验库;ReadAgent 和 OCR-Memory 在压缩后保留对高保真源的访问。这条线确立了「保留并选择性恢复信息」的价值。SCH 从这里借了最重要的直觉——可恢复性——但聚焦点不同:它问的不是「怎么记住过去的经验」,而是「当前解释和它赖以形成的证据之间,应该是什么法律关系」。
第三条线最微妙,是结构化与可修订状态。HiSA 把交互历史层级式地变换成语义状态;CoEx 维护一个演化的神经符号信念状态;MAGE 能恢复到更早的执行状态边界。SCH 明确声明:结构化状态本身不是它的贡献。它的贡献是让状态刻意不自足——CoEx 演化信念,MAGE 回溯边界,而 SCH 把「当前解释」和「源证据」定义为两个持久物件,修订被定义为已完成工作出处的选择性重新暴露。在大多数系统里,状态一旦写入就是既成事实;在 SCH 里,状态永远是一份可以被证伪的草稿。
这个谱系位置也解释了为什么 SCH 的控制器必须是确定性的。压缩方法需要模型来判断哪些内容重要(ACON 学策略、ReSum 生成摘要);SCH 把「语义推理」和「簿记」分开——LLM 负责判断什么是对的,控制器负责记住这个判断挂在哪条证据上。权责清晰,各自可审计。
🏔️ 海明威的冰山,八分之一在水面上
SCH 的答案,可以用海明威的冰山理论概括:水面上八分之一是语义状态,水下八分之七是证据档案;露出来的部分必须紧凑,沉下去的部分必须可寻。
这套系统有三个组件。
第一件:语义状态(Semantic State)。 这是 Agent 对当前局面的理解,持续可见,每次交接都带着。但它不是历史的压缩版——它是一份「当前状况卡」,里面有四类内容:
- 任务约束:预期保持稳定的要求和假设(比如「必须保持向后兼容」);
- 事实:环境里已确认的信息——某次检查确认某个组件有某属性,某个工具返回了某个结果;
- 假设:尚待验证的解释,以后可能要修订;
- 工作项:带着生命周期的子目标。生命周期很简单——open(未解决)、blocked(当前无法进行)、completed(已解决)。比如「定位故障 F 的原因」起初是 open,缺信息时变 blocked,确诊后 completed。
还有一个粗略的任务阶段标记:信息收集?正在行动?还是验证?
注意一个关键设计:事实、假设、工作项都可以带出处链接(provenance)——每条状态条目能挂上支持它的证据编号。两种链接:support(直接引用的证据)和 lineage(工作项推进过程中累积的证据)。比如 e₇ 这条观察催生了假设 h₁,模型就可以把 e₇ 挂为 h₁ 的 support。对应工作完成后,这些链接跟着工作项走,不丢。
语义状态自己不声称是真的,它只是指向证据的路标。这是和以往结构化记忆方法(比如 CoEx 的演化信念状态、HiSA 的层级语义状态)最本质的区别——SCH 刻意让语义状态不自足:验证或修订它所需的观察,始终另外可寻。
第二件:证据档案(Evidence Archive)。 所有执行过的动作和观察,按时间顺序追加存储,只增不删、不可变。日常推理时它们不出现在上下文里。每条记录是(步数,动作,观察)的三元组,步数就是证据 ID。模型的推理过程不作为执行证据存储——只有实际发生的动作和返回的观察。
中间的连接器:一个确定性控制器。 注意,控制器不是 LLM——没有摘要模型,没有检索模型,没有任何额外的前向调用。它做的事是纯粹机械性的:接收 LLM 输出的稀疏状态增量(sparse delta),应用增量更新状态;执行动作;把新证据追加进档案;为下一趟交接挑选证据。
这里有一个优雅的细节:LLM 每步只需要输出两样东西——下一步动作,和对状态的增量修改(加了哪个事实、修订了哪个假设、哪个工作项变了状态)。不需要复述整个状态。没变的部分就不用再生成一遍,既省 token,又避免了模型在长篇复述中无意篡改没打算改的内容。控制器做确定性调和:增量里引用的证据编号要对照档案核验,生命周期转换要检查结构合法性。语义推理归 LLM,簿记归控制器。
🗂️ Acknowledge 改变的是可见性,不是存在
新产生的观察会先放在「待处理」区(pending context)。LLM 看过之后,做一个动作叫 acknowledge,有两种合法结论:要么它的持久含义已被吸收进语义状态(这个观察支持我完成了某项工作),要么它确实无关(看了一眼,没用)。
acknowledge 之后,这条证据就从日常上下文里消失——但它在档案里完好无损。论文反复强调一句话:acknowledgement 改变的是可见性(visibility),不是存储(storage)。证据可以离开例行交接,但从未被删除,随时可以回来。
这就是和「压缩总结」的本质区别:总结是销毁原件、保留转述,转述一旦失真就永远失真;SCH 是收进档案、保留路标,路标所指之物原封未动。
🔥 翻案时刻:Revision-Aware 证据恢复
现在轮到 SCH 最锋利的机制登场:修订感知恢复(Revision-Aware Evidence Recovery)。
修订信号有两个来源。其一,控制器在新产生的环境证据里识别出公认的失败(测试报错、验证不通过),而语义状态里存在可修订的内容。其二,LLM 自己在增量里显式翻案——撤回一个事实,或者重新打开一个已完成的工作项。
无论哪种触发,效果相同:与受影响工作项相关的出处证据——包括早已 completed 的那些——重新获得进入下一趟交接的资格。
走一遍那个修 bug 的例子。第六步,Agent 检查系统,得到 e₆:配置 A 可能引起故障 F。它记录假设 h₁(support: e₆),据此修改系统,后来把工作标记完成。acknowledge 后,e₆ 退出日常上下文——这完全合理,当时它确实不再需要。第五十步,验证失败。控制器识别到失败、或 LLM 在增量里 reopen 了这项工作,修订触发。e₆ 作为已完成工作的 lineage 证据,重新出现在下一次交接里。模型现在面对的不是一句「A 是根因」,而是原始的观察本身,可以重新审视当时的诊断。
光有出处链接还不够——有些证据从未挂到任何状态条目上,或者它挂着的条目已被清出状态。SCH 准备了补充通道:确定性孤儿恢复。档案里没有当前出处链接的记录,若路径或关键词与当前状态重叠,即可成为候选。最近记录和安全相关记录作为兜底。优先级清晰:直接出处链接最高;修订触发时已完成工作的出处额外激活;孤儿、近期、安全候选补足。
还有个「有界回放投影」设计:修订触发时,系统不只恢复单个证据,还会标记一个有限的回放集(有界的、带审计元数据的),避免翻案变成无底洞。控制器还有抗过度研究阈值——检索步数超过 12 步就触发提示,防止 Agent 陷入翻旧账的循环。
🔬 克制的实验:变量锁定,只看一个机制
这篇文章的实验设计有一种少见的洁癖。核心主张是:让已完成工作的证据在修订时可恢复,本身就有价值——不依赖某个特定模型、特定 prompt、特定预算。很多论文的消融是「拆掉自己系统的零件」,而 SCH 做的是在同一套机器上只换一个齿轮。
对照机制研究:语义状态机制、生命周期机制、动作接口、控制器限额、证据预算——全部锁定,唯一变量是历史证据的选择规则。四组对照,全部在 DeepSeek SWE-bench 冻结的 150 题上跑三遍,温度 0:
- 最近窗口恢复(recent-window):80.89% Pass@1,169.2k tokens/题
- 词面/BM25 检索恢复:83.33%,182.7k
- 仅活跃状态出处(active-state provenance):80.00%,209.8k
- 完整 SCH 修订感知恢复:86.89%,208.6k
同样的状态机制、同样的预算,仅仅是让「已完成工作的证据在修订时可被调回」,带来 6.89 个百分点的提升,tokens 和时间几乎纹丝不动。三次独立运行,配对 McNemar 检验 p 值分别为 0.0192、0.0309、0.0309——统计上站得住。
这个结果的形状本身就在说话:仅活跃状态出处(80.00%)反而不敌朴素的词面检索(83.33%)。出处链接不是万能药——只有当修订机制能让已完成工作的证据复活时,出处才真正兑现价值。路标在没有回头路的地方,只是一根柱子。
另一个对照也值得一提:最近窗口恢复比 SCH 少用约 40k tokens 但准确率低了 6 个点。省下的 token 买来的,是在四十步之后无能为力的失忆。
⚖️ 完整系统:比最强对手少用 43% 的 token
完整系统对比更直白。同一设置、三次运行取均值:
| 方法 | Pass@1 | tokens/题 | 时间/题 |
|---|---|---|---|
| Full History | 68.00% | 1713.3k | 633.6s |
| PACT(最强基线) | 83.78% | 367.9k | 400.2s |
| ACON | 80.89% | 520.6k | 569.6s |
| Proactive Memory | 77.33% | 854.4k | 361.8s |
| MAGE(论文引导实现) | 51.11% | 389.2k | 392.8s |
| SCH | 86.89% | 208.6k | 237.1s |
比最强基线 PACT:准确率高出 3.11 个百分点,token 少 43.3%,墙钟时间少 40.8%。作者在这里表现出诚实的克制:SCH 三次运行是 87.33% / 85.33% / 88.00%,PACT 是 84.00% / 82.00% / 85.33%,配对 McNemar p = 0.359——准确率差被明确标注为「描述性而非统计确立」。但效率优势是压倒性的,而且方向上三次运行一致。
跨模型跨环境验证:AppWorld 417 题配 MiniMax,SCH 86.33% 超过 Full History 的 84.41%,且 tokens 从 341.5k 降到 223.4k。DeepSeek 跑 AppWorld 200 题子集:SCH 88.50% 对 Full History 86.00%。MiniMax 跑 SWE-bench:SCH 74.00% 对 PACT 75.33%,tokens 少 32%。不是全胜——MiniMax SWE-bench 上略输 PACT——但效率维度上全面占优,准确率上多数设置领先或持平。
🎬 一趟完整的交接长什么样
把抽象的公式放下,看一次实际交接的内容。假设 Agent 的任务是「修改系统以满足需求 R,同时保持约束 C」。执行到某一步时,交给模型的上下文长这样:
TASK:满足需求 R,保持约束 C。
SEMANTIC STATE:
约束:保持 C
事实:目标当前使用方案 A
假设:方案 A 可能引起故障 F〔support: e₄〕
工作:确定 A 是否导致 F〔open〕
RELEVANT EVIDENCE:
e₇:动作=验证目标;观察=故障 F 出现
OUTPUT:稀疏状态增量 + 下一步动作
档案里可能躺着几十条其他记录,但出现在交接里的只有 e₇——与当前决策直接相关的那一条。语义状态指明方向(「我在怀疑 A」),e₇ 提供立即的证据(「验证确实报了 F」),增量让模型只更新变了的条目。如果后续执行推翻了这个结论,刚才描述的生命周期机制会把 e₄ 连同它的上下文一起请回来。
整个过程没有一次摘要调用,没有一次向量检索。省下来的不只是 API 费用——是一个类别的系统复杂度。
📍 轨迹分析:找回的证据真的来自远方
合理的怀疑:SCH 的「证据恢复」会不会只是变相保留了一个大窗口?轨迹审计回答了这个问题。
主要运行中,150 个任务有 83 个触发了显式修订事件(55.3%)。恢复证据中,直接支持型证据的中位来源位置在完整轨迹的 92% 分位处——典型场景下,被找回的证据来自全程非常靠前的地方。这就是「翻案」的形状:不是因为忘了刚才的事,而是四十步之前的一个观察,此刻突然变得至关重要。
受控实验中,43.3% 的任务至少一次触发 12 步检索上限,14.0% 收到反过度研究提示——机制确实在积极翻旧账,不是摆设。
附录里有一个生动的个案:某次 SWE-bench 任务中,Agent 沿着 PACT 轨迹推进(即交互被表示为紧凑动作—状态记录的方式),中途 SCH 的修订机制介入,恢复了与已完成工作关联的历史证据,重新评估后改写了状态——最终走向一条和 PACT 完全不同的修复路径。作者特意标注了这个例子「有用但不具代表性」:它不是疗效证明(那是统计的事),而是一幅解剖图,让人看清机制在真实轨迹里如何运作。修订触发、回放投影、状态改写、证据重新入场——每一步都在轨迹里留下了可审计的印记。
🪨 裂缝与阴影
按惯例,说清楚哪些不成立。
准确率提升相对 PACT 的 3.11 个百分点未过配对显著性检验,作者自己标注为描述性结论。MAGE 基线是「论文引导的实现」而非官方复现,比较需打折。主要受控结论绑定 DeepSeek SWE-bench;跨模型测试方向一致但广度设置是单次运行,不宜做过强因果归因。AppWorld 的两个模型块用了不同的任务样本(417 对 200),不是受控跨模型比较——作者也如实说明了。
还有一层更微妙的:语义状态的质量仍依赖 LLM 自己的判断。如果模型把一个错误结论郑重写进事实栏,SCH 的机制只会更高效地找回支持错误结论的证据——档案室不能保证不被用来捏造历史,它只是保证历史还在。对抗出错比遗忘出错更隐蔽,这不是 SCH 独有的问题,但值得任何采用者记在心上。
🧭 对实践者的三个启示
如果你在做 Agent 系统,SCH 至少留下三条可以直接落地的经验。
第一,「completed」应该是一个动词而不是墓志铭。 大多数 Agent 框架里,子任务完成意味着它的上下文贡献即刻归零。SCH 的教训是:完成时应当归档出处,而不是丢弃出处。这几乎不增加任何存储成本——证据本来就在日志里——缺的是一个把状态条目和证据编号绑起来的簿记层。
第二,簿记不需要聪明,需要固执。 控制器不做语义判断,只做结构校验:证据编号存在吗?生命周期转换合法吗?这种确定性组件的价值被严重低估了——它让系统的行为可以回放、可以审计、可以调试。当 Agent 犯了错,你能回答「它当时凭什么这么认为」这个问题,比你能回答「它现在知道什么」重要得多。
第三,token 预算不是唯一的设计约束。 Full History 的教训不是「窗口会爆」(它没有爆),而是「重复阅读是有代价的注意力浪费」。SCH 用 208.6k tokens 做到了 Full History 用 1713.3k 都做不到的事。上下文管理的真正目标不是塞进更多历史,而是让每一步推理看到恰好够做决定的信息:状态指明方向,证据提供细节,其余安静待在档案里。
🌊 尾声:冰山为何浮着
把视线拉高一点。SCH 贡献的不是又一种压缩算法,而是一个表征边界:可变解释(语义状态)与追加证据(档案)的分离。此前大多数工作——不管叫 summarization、compression 还是 memory——都在用同一个容器回答「记住什么」和「怎么找回来」两个问题。SCH 说:这是两个物件,两种生命周期,两条访问路径。解释会变、会被撤回、会带着出处;证据只增、只被引用、永不被改写。
「已完成」三个字,在大多数系统里意味着归档即遗忘。SCH 说:完成只是暂时的停战协议。证据还在,随时可以重新开庭——而且不需要再付一次摘要模型的钱。对每天被上下文账单追着跑的 Agent 开发者来说,这可能是 2026 年冬天最值得抄的一页笔记。
参考文献
- Guolong Zheng, Chen Hou, Xu Yang, Jianshan Zhang, Tao Huang. Semantic Context Handoff with On-Demand Evidence for Long-Horizon Agents. arXiv:2611.24357, 2026. (闽江大学)
- 对照基线:PACT (Huang et al., 2026);ACON (Kang et al., 2025);ReSum (Wu et al., 2025);CoEx (Kim & Hwang, 2025);MAGE (Chen et al., 2026);Proactive Memory Agent (Wu et al., 2026)
- 评测环境:SWE-bench Verified (Jimenez et al., 2024);AppWorld (Trivedi et al., 2024)
#论文 #arxiv #Agent #上下文管理 #长程任务 #记忆系统 #SCH #软件工程 #费曼解读