UT Austin研究：编码Agent上下文压缩未必省时

2026年10月，UT Austin一项关于编码智能体上下文压缩的研究被披露。据X平台Elvis Saravia（DAIR.AI）介绍，该研究在SWE-bench Verified和Terminal-Bench上跑了近35,000次智能体运行，分别改变压缩方式、触发时机和压缩比例三个决策。结果显示，压缩未必省时：在Terminal-Bench搭配Qwen时，使用约三分之一token的策略可能比保留完整上下文多花20%至80%的时间；按步触发的策略每步削减token最多，但需要多10%至27%的模型调用；按阈值触发的策略可削减22%至55%的token，调用次数接近完整上下文。上述数据均来自该来源的转述，研究原文细节尚未在报道中呈现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。