通用自进化Agent新突破：30k上下文就够了，token消耗也下降近9成

一、将上下文信息密度最大化

长程智能体（Long-horizon Agent）的性能，说到底，一直被上下文窗口所束缚。我们常看到两个典型困境：一是“上下文爆炸”，工具描述、记忆检索、原始环境反馈等信息在多步交互中不断堆叠，最终把真正关键的决策信息挤出了模型的注意力范围；二是“经验清零”，每次任务完成后，成功的路径就被遗忘，遇到相似任务时又得从头摸索。结果就是，Token消耗随着任务数量线性增长，但实际能力却停滞不前。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

面对这些挑战，A3实验室（Advantage AI Agent Lab）的团队提出了一个新思路——GenericAgent（GA）。这个系统的设计哲学非常聚焦，就是围绕“上下文信息密度最大化”这一个核心原则，来构建一个能够自我进化的通用LLM智能体。

（论文链接：https://arxiv.org/pdf/2604.17091）

效果如何？根据论文数据，在任务完成率、工具使用效率、记忆有效性、自进化能力和网页浏览等多个维度上，GA不仅性能超越了主流智能体系统，更关键的是，它消耗的Token数和交互轮数更少，并且能够随着时间持续进化。

举个例子，在Lifelong AgentBench测试中，GA仅用222k输入Token（这仅仅是Claude Code的27.7%，OpenClaw的15.5%）就实现了100%的任务完成率。在重复执行9轮的GitHub研究任务上，其Token消耗下降了惊人的89.6%，工具调用次数也从最初的32次收敛到了稳定的5次。

那么，这个“信息密度最大化”具体怎么实现？研究团队将其拆解为三个质量维度：完整性（Completeness）、简洁性（Conciseness），以及作为约束条件的自然性（Naturalness）。

完整性好理解，就是确保当前决策所需的所有信息都明确存在于上下文中，避免模型去依赖隐式假设或进行“幻觉”推断。简洁性则要求大刀阔斧地剔除所有无关和冗余内容，让模型的注意力牢牢聚焦在关键决策信号上。而自然性则是一种形式约束，防止为了压缩而使用过度人造的编码，导致模型反而难以理解。

这里面的核心矛盾，其实在于完整性和简洁性之间：包含更多潜在相关信息会提升完整性，但必然会损害简洁性。即便上下文窗口无限大，这个矛盾依然存在。GA的整个系统，就是围绕解决这一矛盾而构建的，其支柱可以概括为四点：极简原子工具集、分层按需记忆、自进化机制，以及上下文截断与压缩策略。

（图｜GA整体架构。它遵循统一的智能体循环：基于当前任务和相关记忆构建执行上下文，生成输出或调用工具，并通过结构化反馈来更新系统。）

1.极简原子工具集：用组合代替穷举

GA的工具箱非常精简，只有9个“原子工具”，分布在5个能力域：文件读写与精确编辑（file_read, file_patch, file_write）、受控环境代码执行（code_run）、网页检视与浏览器操作（web_scan, web_execute_js）、上下文与记忆维护（update_working_checkpoint, start_long_term_update），以及人在回路决策（ask_user）。

相比之下，Claude Code在源码层暴露了53个工具，OpenClaw也有18个工具工厂，运行时还会动态注入更多插件。工具数量多，真的好吗？研究团队指出了两个层面的代价：在Prompt层面，每个新工具都会扩大模式描述和说明，挤占本就宝贵的上下文预算；在策略层面，行动空间的膨胀和工具选择歧义性的增加，会让规划过程变得更加脆弱。

GA选择工具最小化，基于两个关键条件：原子性（每个工具对应一个不可再分的基本能力）和组合泛化（复杂行为通过原子工具的顺序组合来实现）。理论上，仅凭一个万能的code_run工具就能模拟其他所有功能，其余8个工具的存在，并非为了扩展能力边界，而是作为“快捷方式”来显著降低决策成本。

不仅如此，每个工具内部也做了深度优化。例如，file_patch工具强制要求old_content必须唯一匹配，零匹配或多匹配都会快速失败，避免无效尝试。web_scan工具则内置了布局分析算法，它会克隆DOM、计算每个元素的可见性，并移除被覆盖或隐藏的元素，最终输出的Token消耗比原始DOM降低了一个数量级。

2.分层按需记忆：让L1索引保持有界

GA的记忆系统设计得非常精巧。它从功能上划分为工作记忆、常驻记忆和长期记忆，在实现层则具体定义为L1索引层、L2事实层、L3 SOP层和L4原始会话归档层。其中，L1是常驻部分，L2和L3共同构成长期记忆，L4则负责持久化存储与追溯。

这里的一个关键设计是：L1层只记录“某类知识存在”，而不记录其具体内容。新条目只有在出现真正全新的知识类别时才会被加入。这使得L1的描述长度，从理论上逼近了知识集合范畴结构所对应的Kolmogorov复杂度。大语言模型本身充当了解码器——一旦它推断出某项能力或事实是存在的，就会通过工具调用，将完整内容从更深层（L2/L3）取回。这样一来，L2和L3可以无限增长，而作为入口的L1却能始终保持紧凑。

此外，系统还引入了meta-memory（元记忆）层，用于定义整体记忆地图、核心规则与更新边界，防止任意写入、历史误读和跨任务信息泄漏。完整的元SOP内容按需通过文件读取加载，并非默认预置。长期记忆的沉淀采用“触发式提交”而非即时写入：信息先进入验证阶段，确认其有效且可复用后，才以小步增量的方式写入L2或L3，并相应更新L1索引。

3.自进化：从纯文本SOP到可执行代码

GA将工具层与知识层进行了分离。工具接口对所有任务保持稳定，而所有与任务相关的能力，都以SOP（标准操作程序）文件和可复用脚本的形式存储。智能体可以使用自身的工具去读取、创建和修改这些“资产”。这种分离确保了学习新任务不会干扰已有的技能。

在多轮会话中，真实的执行反馈会逐步精炼SOP。常见的子任务会自然演化为稳定的、可复用的脚本，这意味着知识从纯文本指令升级为了可执行的代码。GA在L4层保存原始的动作轨迹，但不会自动提升到L2或L3。可复用的SOP只在显式的“整合步骤”中产生，触发时机通常是里程碑事件、子目标达成或系统错误恢复后。整合阶段严格遵循“No Execution, No Memory”规则，只保留经过成功工具执行验证的内容，而猜测、临时的中间状态、失败的决策分支都会被系统性地丢弃。

为了避免陷入错误的重复循环，GA引入了三级失败升级机制：首先基于报错进行局部小修；如果持续失败，则放弃当前路径，切换策略或寻找缺失信息；当所有自动尝试都失败后，系统会暂停并请求人工介入。

4.上下文截断与压缩：把窗口稳在30k以内

许多智能体框架依赖于1M甚至更长的扩展上下文窗口，并假设上下文越长，推理效果就越好。GA持相反的观点：当前模型的“无幻觉上下文长度”大约比其标称值要小一个数量级。因此，GA将上下文预算坚定地设定在30k Token以内，把投入放在“压缩”而非“扩张”上。具体压缩过程分为四个阶段：

阶段一（工具输出截断）：每个工具的返回值在进入消息历史前，会先按字符阈值进行裁剪。例如，code_run输出限10000字符，web_scan的文本模式也限10000字符，超过部分保留首尾各L/2，中间用省略号代替。

阶段二（标签级压缩）：大约每5轮触发一次。重复的工作记忆块被替换为占位符；reasoning和tool标签的内容被截断为约800字符的首尾窗口；最近10条消息享受豁免，不被压缩。大约80%的轮次能命中prompt缓存。

阶段三（消息驱逐）：当总历史长度超出字符预算时，先按更严格的规则重新执行“阶段二”的压缩，再按先进先出（FIFO）原则删除最旧的消息，直到历史规模降至总预算的60%以下。

阶段四（工作记忆锚点）：每次工具调用后，系统会自动在下一条用户消息中附加最近20轮的单行摘要、当前轮次号以及智能体维护的key_info块。在阶段三的驱逐发生后，这段锚点信息就成为连接长期记忆的唯一桥梁。

这套极简设计的成果是显著的：GA的核心代码大约只有3300行，其中央智能体循环更是仅有92行。作为对比，OpenClaw的代码量约为53万行，是GA的160多倍。

GA以自托管CLI程序的形式对外暴露，命令行并非内部平台的封装层，而是系统的原生执行界面。这种极简架构自然催生了一些有趣的能力：

• Subagent派发：父智能体可以直接通过执行标准终端命令，在后台启动多个GA实例，每个子进程都在独立的内存空间中运行，自带上下文隔离。
• Reflect模式：通过轻量脚本周期性检查触发条件，一旦命中，便将返回字符串作为新任务派发给GA命令行界面。看门狗（Watchdog）与定时任务（Scheduled Task）共享相同机制，仅触发脚本不同。

更进一步，将上述两者结合，便催生出了“自主探索能力”——派发器从用户变成了智能体自身。GA维护一棵持久化的技能树，按照广度、深度、效用、创新性四个维度对候选任务进行打分，并基于实际使用情况，通过反思机制自动调整权重。

二、效果怎么样？

研究团队从五个维度对GA进行了系统性的评估。

1.任务完成与Token效率

在SOP-Bench、Lifelong AgentBench、RealFin-benchmark上，团队对比了GA、Claude Code、OpenClaw和Codex。

结果显示，当基于Claude Sonnet 4.6模型时，GA在前两个基准测试上实现了100%的完成率，达到甚至超过了当时的SOTA基线。

具体来看，GA在Lifelong AgentBench上的输入Token仅为222k，远低于Claude Code的800k和OpenClaw的1.43M。在RealFin-benchmark上，GA取得了65%的综合准确率，超过了Claude Code（Opus模型60%、Sonnet模型55%）、Codex（60%）和OpenClaw（35%）。

（表｜主要Agent基准测试与RealFin基准测试中的任务完成率与Token效率）

2.工具使用效率

在5个长程复杂任务上，GA与Claude Code都实现了100%的成功率，但GA的总Token消耗仅为Claude Code的35.1%。同时，请求数从32.6次降到了11.0次，工具调用次数也从22.6次降到了12.8次。

（表｜长程复杂任务结果）

3.记忆系统有效性

团队在SOP-Bench的dangerous_goods子集上进行了记忆消融实验。结果显示，GA在无记忆（No-Memory）模式下的任务成功率为13.87%，在全记忆（Full-Memory，规模575 Token）模式下为52.44%。而仅使用165 Token的浓缩记忆（Condensed Memory）模式，成功率就达到了66.48%，与使用288 Token的冗余记忆（Redundant-Memory）模式分数相同。

（表｜SOP-Bench dangerous_goods记忆消融实验）

在LoCoMo长期事实记忆评测中，GA在Multi-Hop、Temporal、Open-Domain、Single-Hop四个类别上全部取得了SOTA的F1与BLEU-1分数。其中在多跳问答上，F1分数达到43.33，超过了Mem0（39.32）和A-MEM（29.03），且不依赖任何嵌入模型或向量数据库。

（表｜LoCoMo长期事实记忆评测）

一个更直观的例子是：在装入相同的20个技能并大量使用后，仅发送一句“Hello”，GA的完整Prompt长度仅为2298 Token，而Claude Code、Codex、OpenClaw则分别高达22821、23932、43321 Token。

4.自进化能力

以LangChain的GitHub研究任务作为纵向追踪目标，GA在9轮执行内，从最初耗时7分30秒、进行32次LLM调用、消耗222203 Token，收敛到了仅需1分38秒、5次调用、消耗23010 Token。时间下降了78.2%，调用次数下降了84.4%，Token消耗下降了89.6%。从第6轮到第9轮，Token消耗稳定在23k±1k的区间内。其中，输入Token从15581降到了1323，缓存读取（cache-read）从183375降到了19034，主要节省来自于调用次数的“坍缩”，而非单次响应的缩短。

（表｜在LangChain GitHub研究任务上的9轮演化轨迹）

此外，在8个基准任务上，后续GA执行所消耗的Token数均少于首次执行，平均下降79.3%。每个任务都呈现出“冷启动-快速收敛”的模式：首轮承担SOP适配成本，第二、三轮便直接复用，性能稳定下降。其中，长程状态转移任务（Category D）节省最多，达到92.0%。作为对比，OpenClaw在三次重复执行中未显示出收敛趋势，其B2任务的Token消耗在1370k、2330k、2130k之间反复波动，表明其仍在重复探索。

（表｜GA与OpenClaw在多次重复运行中的跨任务Token收敛情况）

5.Web浏览能力

在WebCanvas（12项任务）、BrowseComp-ZH（10项任务）和Custom Tasks（22项任务）的对比评测中，GA的得分（分别为0.834、0.60、0.577）均超过了OpenClaw（0.722、0.20、0.50），但其Token消耗仅为OpenClaw的1/4到1/3。

（表｜3项基准测试的网页浏览评估结果）

三、不足与未来方向

当然，GA目前依然存在一些局限性。

例如，30轮的执行上限使得高度复杂的研究任务可能横跨多个会话，而会话间的连续性目前只能通过书面报告和任务列表注释来维持。基于反思的权重调整仍是初步设计，尚未在多样化的真实工作流上积累足够验证其有效性的长期数据。记录错误与偏好的自我改进日志，目前仍依赖人工策展。技能树的高级管理功能，如合并冗余类别、淘汰过时工具、重组拓扑结构等，目前也完全依赖于手工操作。

研究团队指出，极简架构是智能体实现自主进化的必要前提。只有当核心代码从数十万行降到几千行时，智能体才有能力去读懂并修改自身。从技能整合，到自主探索，再到架构自更新，这是智能体进化的三个递进维度，但完整路径的验证仍有待未来研究。

总而言之，GenericAgent采取了一条与主流思路相反的路径。它没有追求“让智能体在更长上下文中思考”，而是反其道而行，将上下文窗口压缩到30k Token，将工具收敛到9个，并将经验沉淀为可执行代码。

在当前Token成本与响应延迟已成为大规模部署核心约束的背景下，这种以提升信息密度而非单纯扩大容量为目标的系统设计思路，或许比一味堆叠更长的上下文窗口，更值得我们关注。