主动上下文压缩：LLM代理中的自主记忆管理

大型语言模型（LLM）代理在长期软件工程任务中面临“上下文膨胀”问题，导致计算成本激增、延迟增加和推理能力下降。现有解决方案通常依赖被动的外部摘要机制，而无法由代理自主控制。本文提出Focus架构，受黏菌（Physarum polycephalum）生物探索策略启发，代理可自主决定何时将关键学习内容整合为持久化的“知识”块，并主动删除原始交互历史。通过优化的工业级框架（持久化bash + 字符串替换编辑器），使用Claude Haiku 4.5对SWE-bench Lite中的5个上下文密集型实例进行评估。在频繁压缩的提示下，Focus实现了22.7%的token减少（14.9M → 11.5M tokens），同时保持相同准确率（3/5 = 60%）。每个任务平均执行6次自主压缩，单个实例最多节省57%的token。研究表明，当提供适当工具和提示时，有能力的模型可以自主调节其上下文，为不牺牲任务性能的成本感知代理系统开辟新路径。