مقالهی arXiv:2610.20116 · در صف خبرنامه
Maximising Transparency in Context Compaction Improves Retention of Facts and Commitments for Lightweight Coding Agents
فشردهسازی شفاف کانتکست، که متن گفتوگو را دستنخورده نگه میدارد، حافظهی ایجنتهای کدنویسی سبک را بهتر میکند
- تاریخ
- (۲۲ مهر ۱۴۰۵) 2026-10-14 تأییدشده از روی تاریخ ارسال نسخهی اول در آرکایو
- نویسندهها
- Felix Woolford
- نهاد نویسندهها
- Center for Human Nature, Artificial Intelligence, and Neuroscience (CHAIN), Hokkaido University
- برچسب لابراتوار
- موضوعها
خلاصهی فارسی
مسئله
جلسههای طولانی ایجنت کدنویسی از پنجرهی کانتکست مدل بزرگتر میشوند، پس ایجنت تاریخچهی قدیمی را با چیز کوتاهتری، معمولاً خلاصهای که خود مدل نوشته، عوض میکند. خلاصه انتخاب میکند و بازنویسی میکند، و ایجنت نمیبیند چه چیزی از دست رفته؛ مثلاً قاعدهای که کاربر اول جلسه گذاشته («روی شاخهی main کامیت نکن») ممکن است در خلاصه گم شود. اثر این روشها روی مدلهای سبک، که محلی یا برای حجم بالا اجرا میشوند، کمتر بررسی شده است.
روش
روش transparent-compact یک روش قطعی ساده برای ایجنت کدنویسی متنباز Pi است. تضمین میکند متن کاربر و دستیار را هیچ مدل یا الگوریتمی تغییر نمیدهد و صریحاً جاهایی را که فشردهسازی اطلاعات را حذف کرده علامت میزند. با فشردهسازی پیشفرض Pi (خلاصهی نوشتهی مدل) و pi-vcc (روش قطعی محبوب ولی بدون نگهداشتن متن عینی) روی چهار مدل مقایسه شد، با تأکید بر Qwen3.8-27B که در بالاترین حد اجرا روی سختافزار خانگی است.
یافتهها
- روی آزمونهای تعهدها (قاعدههایی که کاربر فقط در گفتوگو گذاشته) و یادآوری واقعیتها، با هر دو جایگزین برابر یا از آنها بهتر بود.
- بهویژه در پرهیز از «اشتباههای مطمئن»، یعنی ادعای اطلاعات نادرست به جای پذیرفتن یادنیاوردن، برتری داشت.
- با یک مدل پیشرو هم برتریاش دیده شد، اما کوچکتر.
محدودیتها
نویسنده خودش transparent-compact را ساخته است؛ برای کم کردن سوگیری، روشهای دیگر با تنظیم پیشفرض اجرا شدند و امتیازدهی کور بود. آزمونها ابزار فایل و شل را حذف کردند تا حافظهی گفتوگو را جدا بسنجند، و آزمونها را Claude نوشته و امتیاز داده است.
چرا مهم است
هرکس با ایجنت کدنویسی روی مدل محلی کار کرده، دیده که بعد از فشردهسازی قاعدههای اول جلسه فراموش میشوند. این کار یک راه ساده و قطعی پیشنهاد میکند که به مدلهای کوچک کمک میکند بدانند چه چیزی را نمیدانند.