مقالهی arXiv:2610.11007 · منتشرشده در کانال
Curating Always-Loaded Context for LLM Agents: A Capacitated Assortment Model with Censored Feedback
گزینش کانتکست همیشهبارگذاریشدهی ایجنتها: مدل سبد کالای ظرفیتدار با بازخورد سانسورشده
- تاریخ
- (۱۵ مهر ۱۴۰۵) 2026-10-07 تأییدشده از روی تاریخ ارسال نسخهی اول در آرکایو
- نویسندهها
- Zexuan Liu, Yuning Yang, Tiancheng Zhao
- نهاد نویسندهها
- University of Illinois at Urbana-Champaign; Georgia Institute of Technology; Saint Louis University
- برچسب لابراتوار
خلاصهی فارسی
مسئله
ایجنتها در شروع هر جلسه یک فایل کانتکست ثابت مثل AGENTS.md بارگذاری میکنند. هر توکن این فایل در هر دور بعدی جلسه دوباره هزینه دارد و فایلها با بزرگ شدن کارایی را کم میکنند. اما در عمل، گزینشگرهای انسانی یا خودکار معمولاً فقط به این فایلها اضافه میکنند.
روش
نویسندهها گزینش کانتکست را به شکل یک مسئلهی سبد کالای ظرفیتدار صورتبندی کردند: دستورها زیر یک ظرفیت توجه محدود توکن مصرف میکنند، افزودن یک دستور هرگز پیروی از بقیه را بالا نمیبرد و دستورهای نگهداشتهشده هزینهی راهاندازی هر جلسه دارند. سپس بررسی کردند از جلسههای گذشته چه چیزی قابل یادگیری است، با این نکته که بازخورد سانسورشده است: سود و ضرر دستورهای بارگذاریشده دیده میشود، اما دستور غایب فقط وقتی بازخورد میدهد که نبودش آسیب بزند.
یافتهها
- یک کران بالا برای اندازهی بهینهی فایل اثبات شد که به تعداد دستورهای نامزد بستگی ندارد، و افزودن همهی دستورهای با ارزش مستقل مثبت میتواند بهطور دلخواه از انتخاب زیرمجموعهی بهینه بدتر باشد.
- حذف دستورهایی که ایجنتها نادیده میگیرند ناگزیر ممکن است دستورهای مفید را هم حذف کند؛ مقاله مشخص میکند پیش از افزودن یک دستور چقدر شواهد لازم است و پشیمانی را وقتی بازبینها فقط تعداد محدودی ویرایش را بررسی میکنند کراندار میکند.
- آزمایشها نشان داد قاعدههای نامرتبط برگرفته از فایلهای کانتکست واقعی، پیروی مدل زبانی را کم میکنند.
محدودیتها
مقاله بخش جداگانهای برای محدودیتها ندارد؛ نتیجههای اصلی نظریاند و زیر فرضهای مدل صورتبندیشده برقرارند.
چرا مهم است
فایلهای دستور ایجنتها در بیشتر تیمها فقط بزرگتر میشوند. این کار پشتوانهی نظری میدهد که چرا باید این فایلها را کوچک نگه داشت و با چه شواهدی چیزی به آنها اضافه کرد.