[LG]《Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models》Q Zhang, C Hu, S Upasani, B Ma... [Stanford University & SambaNova Systems, Inc] (2025)
Agentic Context Engineering (ACE)：打造自我进化的大语言模型上下文新范式
🔍背景：
大语言模型（LLM）应用如智能代理和领域推理越来越依赖“上下文适应”——通过修改输入（指令、策略、证据）提升性能，而非修改模型权重。现有方法虽提升了实用性，但存在“简短偏差”（brevity bias）和“上下文崩塌”（context collapse）问题，导致领域知识丢失或信息逐渐简化，影响表现。
💡ACE创新点：
1️⃣ 将上下文视为可演化的“作战手册”，不断积累、精炼和组织策略。
2️⃣ 采用模块化流程：生成器（Generator）产出推理轨迹，反思器（Reflector）提炼成功/失败经验，策划者（Curator）整合成结构化增量更新（delta updates）。
3️⃣ 通过“增量更新”替代单次完整改写，避免信息丢失，支持扩展至长上下文。
4️⃣ “增长并精炼”机制，平衡上下文扩展与冗余剔除，保持内容丰富且高效。
📈实验成果：
- 在智能代理基准AppWorld上，ACE离线适应提升平均准确率10.6%，在线适应依然领先7.6%，且在无监督反馈下依靠执行信号自我优化。
- 在金融领域专业基准FiNER和Formula上，ACE带来8.6%性能提升，构建详实领域知识库。
- ACE以更低的计算成本和更快的适应速度（如在线适应延迟降低86.9%）实现高效自我提升。
- 在AppWorld排行榜，使用较小开源模型的ACE表现媲美顶级GPT-4.1代理，挑战难题时甚至超越。
⚙️设计优势：
- 上下文由结构化条目组成，每条含元数据和内容，支持局部更新与细粒度检索。
- 分工明确，避免单模型负担过重，提升适应质量和稳健性。
- 支持多轮迭代和多周期训练，持续优化上下文。
🔮未来展望：
ACE为在线和持续学习提供新路径，适合应对分布漂移和数据稀缺，且上下文可解释，便于选择性“忘记”敏感或过时信息，推动安全合规的智能系统发展。
---
全文详见：arxiv.org/abs/2510.04618
大语言模型 上下文适应 智能代理 持续学习 机器学习 人工智能 ACE 自我进化
