مقاله‌ی arXiv:2609.34565 · منتشرشده در کانال
FlowState: Execution State as Memory for Long-Horizon LLM Agents
فلواستیت: وضعیت اجرا به عنوان حافظه برای ایجنت‌های بلندمدت
- تاریخ
- (۶ مهر ۱۴۰۵) 2026-09-28 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Minghao Li, Bangyan Li, Zifan Wang, Yulong Li, Hu Xu, Gan Zhang, Jingtong Wu, Wenqiang Xu
- نهاد نویسنده‌ها
- Ant International, Ant Group
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
تسک‌های بلندمدت ایجنت را وادار می‌کنند پیوسته از اطلاعات تعامل‌های قبلی استفاده کند. نگه داشتن کل تاریخچه هزینه‌ی کانتکست را بالا می‌برد، فشرده‌سازی‌اش خطر از دست دادن جزئیات لازم بعدی را دارد، و ارتباط اطلاعات تاریخی اغلب فقط با پیشرفت تسک آشکار می‌شود.
روش
روش FlowState وضعیت اجرا را حافظه‌ای می‌بیند که بین درخواست‌ها نگه داشته و بازدید می‌شود. گره‌های وضعیت با نوع معنایی، روابطشان و ارجاع به مشاهده‌های خام ابزار را نگه می‌دارد و نگهداری پایدار را از دسترسی بر حسب نیاز جدا می‌کند. درون یک حلقه‌ی اجرا، به‌روزرسانی افزایشی وضعیت فعلی را با ورودی و بازخورد جدید نگه می‌دارد و دسترسی پیشرونده وضعیت‌های تاریخی و شواهد پشتیبان را در صورت نیاز حین استدلال آشکار می‌کند.
یافته‌ها
- در مقایسه با پایه‌ی کانتکست کامل با همان مدل DeepSeek-V4-Flash، میانگین موفقیت روی MemoryArena را ۴٫۵۵ و میانگین نرخ پاس روی τ³-Bench را ۱۳٫۹۵ واحد درصد بالا برد.
- مصرف کل توکن را به ترتیب ۴۳٫۲ و ۴۰٫۶ درصد کم کرد.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ نتایج با یک مدل پایه گزارش شده‌اند.
چرا مهم است
ایجنت‌ها معمولاً بین نگه داشتن همه چیز و فشرده‌سازی پرریسک گیر می‌افتند. این کار نشان می‌دهد نگه داشتن وضعیت ساختاریافته با دسترسی به شواهد خام در صورت نیاز، هم بهتر است و هم ارزان‌تر.