BizBench：揭示真实业务长程智能体部署中的隐藏挑战
🧭 长程 Agent 业务执行评测 ★ 深度解读
Peking University · Ant International
构建含789文档/601工具的支付业务基准，同时评估目标达成与中间执行合规，前沿模型严格成功率仅64%
📌 工作参考价值（4 点）
- 把「目标达成」和「执行合规」拆开评估，用确定性 checks 回放 execution trace，而不是只看最终状态；能抓到 pre-approval 执行、储备金中途跌破等最终结果掩盖不了的违规。
- 业务规则要显式建模 scope/版本/生效期，让 agent 先判断适用规则再执行；单纯 RAG 召回不足，需增加规则冲突消解和时效校验。
- 用户/客户私有信息需多轮澄清，信息获取比文档检索更影响效果；全量客户披露使 strict success 从 43.3% 提升到 70.0%，建议在业务 Agent 中设计结构化信息需求列表和主动澄清机制。
- 工具调用冗余严重，如 DeepSeek-V4.1-Flash 为 Golden 的 1.71 倍，且大量重复读取；可引入检索去重、budget 感知或停止条件，降低长程执行成本。
CarryOn：面向可复用任务对象的长程 Agent 上下文运行时
🧭 长程 Agent 上下文管理 · 对象化折叠 ★ 深度解读
University of California San Diego
CarryOn 将长程 Agent 上下文组织为可复用任务对象 + 执行上下文 + 近期交互，OSWorld 2.0 和 BrowseComp-Plus 分别 +5.8%/+7% 并大幅降 token
📌 工作参考价值（4 点）
- 在电商运营/客服长流程 Agent 中，把已完成的商品素材、报表、投放设置等作为 external object carrier，只记录对象路径与使用条件，续接时让 Agent 直接读对象检查，替代反复携带生产日志。
- 显式保留 execution context（目标、约束、未完成任务）与 carrier 互补；论文消融显示缺失该组件会使 partial 分数从 55.93 降至 44.00，实际系统里容易因折叠丢失当前焦点。
- 采用 fold 机制：当可复用产物形成（如图片导出、报表填充）就折叠历史，验证后原子提交，能将输入 token 稳定在阈值附近，成本优势随轨迹变长而扩大（OSWorld 上 500 步降本 34.1%）。
- 信息检索式 Agent（选品调研、竞品分析）可把中间结论存为 information product carrier 并绑定来源，减少重复搜索；论文在 BrowseComp-Plus 上实现 +7% 准确率且 token 降 22.9%。
Interlock：从局部正确到长程智能体任务完成
🧭 长程 Agent 任务合成与完成过滤训练 ★ 深度解读
Peking University · The Hong Kong University of Science and Technology (Guangzhou) · Tsinghua University · Meituan
用 typed completion graph 约束长程任务合成，并以完成过滤的 RFT 提升 Agent 在外部基准上的完成率
📌 工作参考价值（4 点）
- 用 completion graph 管理 Agent 工作流：在电商运营、广告投放、订单履约等长链路任务中，把“证据→决策→下游产物更新”显式建模为 grounding / coupling / realization 关系，可以防止模型只做对局部决策但漏掉预算、排期、报表等连带更新。
- 合成训练任务时做双重 review：source-coverage 保证原始义务不丢失，public-input critic 保证评估标准可由可见材料支撑。迁移到业务里，可用来生成大量带私有 rubric 的 agent 训练任务，同时避免“只有标注者知道的信息”进入评估。
- Agent-as-judge 比纯文本 LLM-as-judge 更有效：让裁判代理能读文件、写并执行验证脚本，只增加约 11% 的 judge token，就能显著提升过滤出的轨迹的训练价值。适合用来筛选线上 agent 执行记录做 SFT。
- 在固定轨迹预算下，扩大任务 domain 覆盖比重复采同一批任务更划算；对推荐/广告 Agent 也是提示：构造跨场景、跨品类的完成型任务，有助于学到可迁移的“把决策落地到所有受影响产物”的能力。
REMORY：学习残差记忆实现上下文压缩
🧭 Agent 长程上下文压缩与记忆 ★ 深度解读
Shanghai Academy of AI for Science · Fudan University · Shanghai Jiao Tong University · University of Michigan · Alibaba Group
REMORY 在摘要后追加可学习软记忆 token，通过冻结 LLM 的续写分布逼近训练，以少量位置预算显著提升长程 agent 表现
📌 工作参考价值（4 点）
- 会话/上下文压缩：在电商导购、客服或搜索 Agent 的长对话中，用“文本摘要 + 可学习软 token 残差”替代纯摘要；摘要保持可读 checkpoint，软 token 补偿后续决策所需的隐式信息，避免丢失关键细节。
- 训练方式：不微调大模型，只训练轻量 memory encoder，通过冻结 LLM 的 teacher-student 分布匹配（reverse KL）接入；可在业务已有模型上低成本部署，在线只增加少量输入 token，无需改动 actor 权重。
- 两阶段课程：先重建阶段学习信息保持，再在固定摘要下学续写分布，直接优化“摘要遗漏但后续需要”的补偿；可迁移到生成式推荐中的用户历史压缩、query 会话 embedding 等场景。
- 工程配置：每 1024 positions 产生 64 soft tokens，层次压缩至最多 4096 slots，用约 5% 的位置预算接近全上下文效果；同时减少重复工具调用和工具错误，利于降低 API 成本、提升任务完成率。
上下文语言模型：让模型原生管理自身上下文
🧭 Agent 上下文管理 · 原生可编辑上下文 ★ 深度解读
University of Washington · Meta Superintelligence Labs · MIT · Trillium Labs
提出 Context Language Models，将上下文作为可编辑文件交给模型原生管理，在长 horizon Agent 任务上同时提升效果并降低推理成本
📌 工作参考价值（4 点）
- 长会话电商导购/客服 Agent：让模型自主编辑上下文文件（用户画像、候选商品、搜索过程），用 Bash/Python 原地更新、精简、备份，替代固定 summary 或人工工具，降低 token 成本并提升效果。
- 多 Agent 工作流（并行选品、多路召回协调）：维护多个上下文文件/内部 tracker，orchestrator 以原地编辑管理状态，减少重复传递。
- 在线推理优化：用户多轮修改筛选条件/商品 id 时，用 Suffix Cache Reuse 复用未变 suffix 的 KV cache，降低重 prefill FLOPs，适合高并发推荐服务。
- 训练 RL 时用 success-gated efficiency advantage，仅对成功轨迹施加 FLOPs 优势，避免失败轨迹获得效率奖励；stepwise GRPO 处理非连续上下文编辑。