مهندسی کانتکست

From Memory Hits to Answerable Evidence: Query-Conditioned Memory Compilation for Long-Term Agent Memory

حافظه‌ی بلندمدت ایجنت: به جای تحویل خام نتایج بازیابی، شواهدِ آماده‌ی پاسخ بساز

ایجنتی که با کاربر هفته‌ها گفت‌وگو کرده، برای جواب دادن به یک سؤال باید تکه‌های مرتبط را از میان سشن‌های مختلف پیدا کند. سیستم‌های حافظه‌ی فعلی معمولاً هر چه بازیابی کرده‌اند را همان‌طور به مدل پاسخ‌دهنده می‌دهند. نتیجه کانتکستی است که هم تکراری است و هم گاهی

TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents

مقاله‌ی TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents (15 Oct 2026، آرون لی و همکاران، از جمله یون استویکا، بین یو و جیان‌فنگ گائو) مسئله: ایجنت‌های کدنویسی مثل کلاد کد، کدکس و کوپایلت CLI گران شده‌اند و بخش بزرگی از این هزینه تکر

Skip the Compressor: Coding Agents Fix More Issues When They Pick Whole Files

مقاله‌ی Skip the Compressor: Coding Agents Fix More Issues When They Pick Whole Files (15 Oct 2026، دانشگاه ایلینوی اربانا-شمپین؛ Xiaocong Yang، Rishit Chatterjee و همکاران) مسئله: یک ریپوی واقعی خیلی بزرگ‌تر از پنجره‌ی کانتکست ایجنت است، پس باید تصمیم گرفت کد

Same Context, Different Agents: A Behavioral Study of Semantic Layers, Orchestration and Compaction in Data Agents

یک تکنیک مهندسی کانتکست برای یک ایجنت نجات‌بخش است و برای ایجنت دیگر مضر

جواب دادن به سؤال روی داده‌های ناهمگون یعنی ترکیب شواهد از فایل‌ها، پایگاه داده، اسناد و وب. ایجنت‌های داده این کار را خودکار می‌کنند و موفقیتشان به کانتکست بستگی دارد. سه تکنیک مهندسی کانتکست رایج‌اند: «لایه‌ی معنایی» که داده را توصیف می‌کند، «ارکستراسیون» که

ProgAgent: Learning Tool Orchestration through Programmatic Training

آموزش ایجنت برای فراخوانی ابزار با کد، به جای فراخوانی پشت‌سرهم که کانتکست را پر می‌کند

ایجنت‌ها معمولاً ابزارها را مستقیم و پشت‌سرهم صدا می‌زنند و پاسخ هر ابزار به کانتکست اضافه می‌شود، که در کارهای طولانی به «پوسیدگی کانتکست» و از هم پاشیدن هماهنگی می‌انجامد. مثلاً ایجنتی که باید ۵۰ فایل را بخواند و خلاصه کند، همه‌ی محتوا را در کانتکست انباشته

SEEDS: Preview-Guided Evidence Admission for Search Agents

ایجنت جست‌وجو اول پیش‌نمایش نتیجه‌ها را ببیند و بعد تصمیم بگیرد کدام وارد استدلالش شود

ایجنت‌های جست‌وجو معمولاً بازیابی شاهد را با مصرف آن یکی می‌گیرند و سندهای بازیابی‌شده را با قاعده‌ی ثابت یا بر اساس رتبه وارد کانتکست می‌کنند. اما ارزش یک سند به وضعیت فعلی استدلال بستگی دارد: سندی با رتبه‌ی پایین ممکن است برای قدم فعلی حیاتی باشد و سندی با ر

ReFold: Training-Free Reversible Inter-Turn Context Folding for Long-Horizon Agents

ری‌فولد: تاکردن برگشت‌پذیر کانتکست بین نوبت‌ها برای ایجنت‌های بلندمدت، بدون آموزش

ایجنت‌های بلندمدت روی یک تاریخچه‌ی فقط‌افزودنی کار می‌کنند که در هر گام دوباره به مدل فرستاده می‌شود، پس کانتکست و هزینه با هر گام رشد می‌کند تا از پنجره بیرون بزند. روش‌های موجود با پیش‌بینی نیاز به کانتکست کار می‌کنند و به فراخوانی اضافه‌ی مدل، قاعده‌های اکت

Can Agent Harnesses and Inference Engines Hear Each Other? The HEAR Protocol for Agentic LLM Serving

آیا هارنس ایجنت و موتور استنتاج صدای هم را می‌شنوند؟ پروتکل HEAR برای سرویس‌دهی ایجنتی

ایجنت‌ها گردش‌کارهای پیچیده با استدلال چندنوبتی، ابزار و ایجنت‌های موازی اجرا می‌کنند. سرویس‌دهی کارآمد به تصمیم‌هایی نیاز دارد که دو لایه با اطلاعات مکمل را در بر می‌گیرد: هارنس وابستگی‌های گردش‌کار، چرخه‌ی عمر کانتکست و هدف اجرا را می‌فهمد، و موتور استنتاج ص

MemTrace: State-Consistent Memory for Long-Horizon Coding Agents

مم‌تریس: حافظه‌ی سازگار با وضعیت برای ایجنت‌های کدنویسی بلندمدت

وقتی ایجنت‌های کدنویسی تسک‌های تکامل نرم‌افزار در چند فایل و مرحله را انجام می‌دهند، دو چالش به هم گره‌خورده پیش می‌آید: تاریخچه‌ی انباشته بودجه‌ی کانتکست را فشار می‌دهد، و تغییرات مخزن می‌تواند شواهد اجرای قبلی را بی‌اعتبار کند؛ مثلاً نتیجه‌ی تستی که پیش از و

Agent Behavior as Code: Efficient and Robust LLM Agents with Programmatic Specifications

رفتار ایجنت به شکل کد: ایجنت‌های کارآمد و مستحکم با مشخصات برنامه‌ای

ایجنت‌های مبتنی بر مدل‌های پایه در عمل سه مشکل مشترک دارند: رفتارشان حتی برای تسک‌های از نظر معنایی مشابه می‌تواند به شدت فرق کند و خطاها زنجیره‌وار پخش شوند؛ هر بار که یک تسک با ورودی متفاوت تکرار می‌شود، کل فراخوانی‌های مدل دوباره انجام و هزینه و تأخیر بالا

Context Language Models

مدل‌های زبانی کانتکست: مدل‌هایی که خودشان کانتکستشان را مدیریت می‌کنند

مدیریت کانتکست در ایجنت‌ها معمولاً بیرون از مدل و با قاعده‌های هارنس انجام می‌شود، مثلاً خلاصه‌سازی یا برش تاریخچه با یک آستانه‌ی ثابت. در این حالت مدل یاد نمی‌گیرد چه چیزی برای نگه داشتن در کانتکست مهم‌تر است، و در سیستم‌های چندایجنتی هم هماهنگی کانتکست‌ها دش

CliffCompaction: Cost-Efficient Compaction for Long-Horizon Coding Agents

کلیف‌کامپکشن: فشرده‌سازی کم‌هزینه برای ایجنت‌های کدنویسی بلندمدت

ایجنت‌ها اغلب روی مسائل پیچیده‌ای کار می‌کنند که میلیون‌ها توکن کانتکست لازم دارند و به دلیل پنجره‌ی کانتکست محدود باید بین جلسه‌ها فشرده‌سازی کنند. فشرده‌سازی‌هایی که محتوا را بازنویسی می‌کنند ممکن است با هر دور اطلاعات را تحریف کنند و رانش کانتکست انباشته شو