Context-Agent：用于非线性对话的动态话语树

大型语言模型在处理非线性人类对话流时面临挑战，传统的线性对话历史处理方式导致上下文利用效率低下及连贯性丧失。为此，本文提出 Context-Agent 框架，将多轮对话历史建模为动态树结构，以匹配自然话语的层级与分支特性，支持多话题分支的维护与导航。此外，文章引入了非线性任务多轮对话（NTM）基准以评估长程非线性场景性能。实验表明，该方法显著提升了任务完成率及令牌效率，证明了结构化上下文管理在复杂动态对话中的价值。