مقاله‌ی arXiv:2609.40118 · در صف خبرنامه
Persistent Context Graphs for Efficient Memory Compaction in LLM Agents
گراف‌های کانتکست پایدار برای فشرده‌سازی کارآمد حافظه در ایجنت‌ها
- تاریخ
- (۸ مهر ۱۴۰۵) 2026-09-30 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Jingbo Yang, Kwei-Herng Lai, Xiaowen Wang, Zhaoxuan Tan, Pei Zhou, Mengting Wan, Yaar Harari, Evgeniy Gabrilovich, Shiyu Chang
- نهاد نویسنده‌ها
- University of California, Santa Barbara; Microsoft; University of Notre Dame
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
تاریخچه‌ی رو به رشد تعامل ایجنت‌ها فشرده‌سازی حافظه را برای ماندن در پنجره‌ی کانتکست و کاهش هزینه‌ی پیش‌پرکردن ضروری می‌کند. روش‌های موجود تاریخچه را خلاصه یا حافظه‌ی کلید و مقدار را فشرده می‌کنند و اغلب محاسبه‌ی مدل اضافه می‌کنند. یک درخواست جدید کاربر می‌تواند تغییر دهد کدام بخش تاریخچه مهم است، اما ارزیابی دوباره‌ی تاریخچه با مدل، اگر حافظه‌ی کلید و مقدار منقضی شده باشد، رمزگذاری دوباره لازم دارد.
روش
روش ReCAP امتیازهای اهمیت مشتق از توجه و پیوندهای وابستگی بین پیام‌ها را در یک گراف کانتکست سبک و پایدار ذخیره می‌کند. برای هر درخواست جدید، اهمیت ذخیره‌شده را با نشانه‌های ارتباط از درخواست ترکیب می‌کند و پیوندهای وابستگی را دنبال می‌کند تا پیام‌ها و کانتکست پشتیبانشان را بدون فراخوانی اضافه‌ی مدل انتخاب کند.
یافته‌ها
- در مقایسه با فشرده‌سازی پیش‌فرض مبتنی بر خلاصه‌ی Codex، تأخیر تخمینی فشرده‌سازی و بازیابی سرد را روی Qwen3-Coder و gpt-oss حدود ۹۵ درصد کم کرد.
- روی SWE-Together کانتکست تاریخی هر فراخوانی را با کیفیت مشابه تقریباً نصف کرد.
- روی تسک‌های کد Lost-in-Conversation دقت را نسبت به تاریخچه‌ی کامل ۱۹٫۸ و ۴۱٫۲ امتیاز بالا برد.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ روش بر امتیازهای توجهی تکیه دارد که هنگام استنتاج محاسبه می‌شوند، و ارزیابی روی دو مدل باز انجام شده است.
چرا مهم است
خلاصه‌سازی تاریخچه هم کند است و هم ممکن است چیزی را که بعداً لازم می‌شود دور بریزد. این کار نشان می‌دهد توجهی که مدل به هر حال محاسبه می‌کند، می‌تواند بدون هزینه‌ی اضافه برای انتخاب حافظه استفاده شود.