MemGUI-Agent: An End-to-End Long-Horizon Mobile GUI Agent with Proactive Context Management
MemGUI-Agent：基于主动上下文管理的端到端长时域移动GUI智能体
🧭 Agent 上下文管理优化
浙江大学 · 快手科技
提出 Context-as-Action，将上下文管理作为一级动作压缩历史，让 8B 模型在长时域移动任务上超越更大规模模型
📌 工作参考价值
- 长时域任务中引入“折叠历史”机制：在电商客服、导购 Agent 等多轮交互场景，可将对话历史分为“动作摘要+状态摘要+近期细节”三字段，关键信息不丢失且上下文长度可控，避免 ReAct 模式下的 token 爆炸与事实稀释。
- 将上下文管理作为策略动作统一训练：在推荐对话或任务型 Agent 中，把“忘记/压缩/总结”等上下文操作与业务动作（如查询商品、推券）纳入同一策略模块，端到端 SFT 可让模型学会主动压缩冗余信息，提升长会话稳定性。
- 构造结构化动作-上下文标注数据：可借鉴 MemGUI-3K 构建思路，为 Agent 交互轨迹增补“折叠/保留”等上下文管理标注，用于微调小尺寸模型，使其在长任务中推理成本更低、窗口利用率更高。
- 小模型通过上下文管理超越大模型零样本：该工作证明 8B 模型通过主动上下文管理可超越 235B 模型的零样本性能，适合资源受限的电商场景（如端侧智能助手）低成本部署。
动机：现有 MLLM 移动 GUI 智能体在短任务上表现良好，但在需要跨 App、多步记忆的长时域任务中不可靠。根因在于 ReAct 风格提示被动积累每步记录，导致上下文爆炸并稀释跨 App 关键事实。
方法：提出 MemGUI-Agent，核心是 Context-as-Action (ConAct)，将上下文管理提升为策略输出的一级动作，而非被动追加历史。ConAct 维护三个结构化字段：折叠动作历史、折叠 UI 状态、最近步骤记录，在紧凑上下文中保留关键 UI 事实。同时构建 MemGUI-3K 数据集（2956 条轨迹，含完整 ConAct 标注）用于监督训练与分析。
结果：用 MemGUI-3K 微调 8B 模型得到 MemGUI-8B-SFT，在 MemGUI-Bench 上达到最佳开源 8B 性能，并泛化到分布外基准 MobileWorld。ConAct 在 150 步时比 ReAct 节省约 1.5K 输入 tokens，帮助小模型超越 235B 大模型的零样本表现。