GenericAgent：通过上下文信息密度最大化实现的令牌高效自进化 LLM 智能体 (V1.0)

长周期大语言模型智能体受限于上下文长度，关键决策信息易被累积数据挤出，且跨任务经验常丢失。本文提出 GenericAgent，基于“上下文信息密度最大化”原则构建通用自进化系统。该系统包含最小原子工具集、分层按需记忆、将已验证轨迹转化为可复用标准作业程序与代码的自我进化机制，以及维持信息密度的上下文压缩层。实验表明，该系统在任务完成、工具效率及持续进化方面优于现有主流系统，且显著降低令牌消耗。