文章作者、来源：学术头条

当前长程（Long-horizon）Agent 的性能从根本上受限于上下文，面临着“上下文爆炸”与“跨任务经验难以沉淀”等问题。

具体表现在，工具描述、检索记忆、原始环境反馈等在多步交互中不断累加，把决策真正需要的信息挤出有效注意力之外；同时，每一次任务的成功路径在会话结束后被遗忘，相似任务到来时仍需要从零探索。最终导致，Token 消耗随任务数线性增长，能力却停滞不前。

为应对这些挑战，A3 实验室（Advantage AI Agent Lab）团队提出了GenericAgent（GA），一个围绕“上下文信息密度最大化”单一原则而构建的通用自进化 LLM Agent 系统。

论文链接：https://arxiv.org/pdf/2604.17091

据论文描述，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维度上，GA 的性能在超过主流 Agent 系统的同时，所消耗 token 数和交互轮数也更少，且能够随时间持续进化。

例如，在 Lifelong AgentBench 上，GA 用 222k 输入 token（仅为 Claude Code 的 27.7%、OpenClaw 的 15.5%）便拿到了 100% 完成率；在 9 轮重复执行的 GitHub 研究任务上，token 消耗下降了 89.6%，调用次数也从 32 次收敛到了 5 次。

一、将上下文信息密度最大化

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维度上，GA 的性能在超过主流 Agent 系统的同时，所消耗 token 数和交互轮数也更少，且能够随时间持续进化。

他们发现，主要的结构性张力出现在前两者之间：包含更多潜在相关信息会提升完整性、削弱简洁性。即便上下文窗口无限，这一张力也不会消失。

据论文描述，研究团队把上下文质量拆解为完整性（Completeness）、简洁性（Conciseness）和作为约束的自然性（Naturalness）。

其中，完整性要求当前决策所需信息显式存在于上下文中，避免模型依赖隐式假设或幻觉推断；简洁性要求剔除无关与冗余内容，让注意力集中在决策关键信号上；自然性则约束表示形式，过度压缩或人造编码会让模型更难解析。

围绕这一原则，他们基于“极简原子工具集”、“分层按需记忆”、“自进化”和“上下文截断与压缩”构建了 GA。

图｜GA 整体架构。GA 遵循统一的 Agent 循环，基于当前任务与相关记忆构建执行上下文，生成输出或工具调用，并通过结构化反馈更新系统。

1.极简原子工具集：用组合代替穷举

GA 的 9 个原子工具分布在 5 个能力域：file_read、file_patch、file_write 用于文件读写与精确编辑；code_run 在受控运行时中执行 Python 或 Bash；web_scan、web_execute_js 负责网页检视与浏览器操作；update_working_checkpoint、start_long_term_update 维护短期上下文与长期记忆蒸馏；ask_user 处理人在回路决策。

作为对照，Claude Code 在源码层暴露 53 个工具，OpenClaw 暴露 18 个工具工厂，运行时还会再注入插件。

研究团队认为，工具增多会在两个层面带来代价：Prompt 层面，每个新工具扩大 schema 与说明，挤占有效上下文预算；策略层面，行动空间扩大、工具选择歧义增加，让规划更脆弱。

工具最小化的选择基于原子性（每个工具对应不可再拆的基本能力）与组合泛化（复杂行为通过原子工具序列实现）这两个条件。

理论上仅 code_run 一个工具就能模拟其余 8 个，剩余工具不是为了扩展能力，而是作为快捷方式降低决策成本。

同时，每个工具内部也做了进一步优化：file_patch 强制 old_content 唯一匹配，零匹配或多匹配快速失败；web_scan 内置布局分析算法，克隆 DOM、计算每个元素可见性、移除被覆盖或隐藏的元素，token 消耗较原始 DOM 降低一个数量级。

2.分层按需记忆：让 L1 索引保持有界

GA 把记忆划分为 3 种功能形态，即工作记忆、常驻记忆与长期记忆，并在实现层定义 L1 索引层、L2 事实层、L3 SOP 层、L4 原始会话归档层四个具体层级。其中，L1 是常驻部分，L2 与 L3 共同构成长期记忆，L4 负责持久化与可追溯性。

一个关键设计是，L1 只记录“某类知识存在”，不记录其内容。新条目仅在出现真正新的类别时才加入，整体描述长度逼近知识集合的范畴结构所对应的 Kolmogorov 复杂度。LLM 自身充当解码器，一旦推断出某能力或事实存在，就用工具调用把完整内容从更深层取回。这使得 L2 与 L3 可以无限增长，而 L1 始终保持紧凑。

此外，研究团队还引入了 meta-memory 元记忆层，定义整体记忆地图、核心规则与更新边界，防止任意写入、历史误读与跨任务泄漏。完整 meta-SOP 内容按需通过文件读取加载，不是默认预置。长期沉淀采用触发式提交而非即时写入：信息先进入验证阶段，确认有效与可复用后，才以小步增量写入 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 把工具层与知识层分离，工具接口对所有任务保持稳定，所有任务相关能力都存为 SOP 文件与可复用脚本，Agent 可以用自身工具读取、创建、修改这些资产。这种分离让新任务学习不会干扰既有技能。在多轮会话中，真实反馈会逐步精炼 SOP，常见子任务自然演化为稳定可复用脚本，知识从纯文本指令升级为可执行代码。

GA 在 L4 保存原始动作轨迹，但不会自动提升到 L2 或 L3。可复用 SOP 仅在显式整合步骤中产生，触发时机为里程碑事件，子目标达成或系统错误恢复。整合阶段严格遵循“No Execution, No Memory”规则，只保留经成功工具执行验证过的内容，猜测、临时中间状态、失败决策分支会被系统性丢弃。

为避免陷入错误重复循环，GA 引入了三级失败升级：先基于报错做局部小修；持续失败则放弃当前路径，切换策略或寻找缺失信息；自动尝试全部失败后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 Agent 框架依赖 1M token 的扩展窗口，假定上下文越长推理越好。GA 持相反的观点，当前模型的“无幻觉上下文长度”（hallucination-free context length）约比标称值小一个数量级。GA 将预算定在 30k token 以内，把投入放在压缩而非扩张。具体由四个阶段构成：

阶段一（工具输出截断）：每个工具返回值进入消息历史前先按字符阈值裁剪，code_run 限 10000 字符，web_scan 文本模式 10000 字符，超过则保留首尾各 L/2、中段以省略号代替。

阶段二（标签级压缩）：每约 5 轮触发一次，重复的工作记忆块被替换为占位符；reasoning 与 tool 标签内容被截断为约 800 字符的首尾窗口；最近 10 条消息豁免压缩，约 80% 的轮次能命中 prompt cache。

阶段三（消息驱逐）：当总历史长度超出字符预算时，先按更严格规则重跑“阶段二”压缩，再按 FIFO 删除最旧消息，直到历史规模降至总预算 60% 以下。

阶段四（工作记忆锚点）：每次工具调用后，自动在下一条用户消息附加最近 20 轮的单行摘要、当前轮次号与 Agent 维护的 key_info 块，阶段三驱逐后，这段锚点成为长期记忆的唯一来源。

GA 的核心代码约为 3300 行，中央 Agent Loop 则仅只有 92 行；而 OpenClaw 有约 53 万行代码，是 GA 的 160 多倍。

Agent 以自托管 CLI 程序对外暴露，命令行不是内部平台的封装层，而是系统的原生执行界面。这种极简极简架构自然涌现出了多项能力。

• Subagent 派发：父 Agent 直接通过执行标准终端命令在后台启动多个 GA 实例，每个子进程在独立内存空间中运行，自带上下文隔离。
• Reflect 模式：轻量脚本周期性检查触发条件，命中后将返回字符串作为新任务派发给 GA CLI，Watchdog 与 Scheduled Task 共享相同机制，仅触发脚本不同。

进一步，两者结合催生出了“自主探索能力”，派发器从用户变为 Agent 自身。GA 维护一棵持久化技能树（skill tree），按 breadth、depth、utility、innovation 四个维度对候选任务打分，并基于实际使用情况通过反思机制自动调权。

二、效果怎么样？

研究团队在 5 个维度上对 GA 进行了系统评估。

1.任务完成与 token 效率

研究团队在 SOP-Bench、Lifelong AgentBench、RealFin-benchmark 上对比了GA、Claude Code、OpenClaw 和 Codex。

结果显示，基于 Claude Sonnet 4.6 时，GA 在前两个 benchmark 上实现了 100% 完成率，达到甚至超过 SOTA 基线。

其中，GA 在 Lifelong AgentBench 上的输入 token 仅 222k，远低于 Claude Code 的 800k 和 OpenClaw 的 1.43M；GA 在 RealFin-benchmark 上取得了 65% 综合准确率，超过了 Claude Code（Opus 60%、Sonnet 55%）、Codex（60%）、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 均实现了 100% 的成功率，但总 token 消仅为 Claude Code 的 35.1%；而且请求数从 32.6 降到了 11.0，工具调用从 22.6 降到了 12.8。

表｜长程复杂任务结果

3.记忆系统有效性

研究团队还在 SOP-Bench dangerous_goods 子集上做了记忆消融实验。结果显示，GA 在 No-Memory 下的任务成功率为 13.87%，在Full-Memory（记忆规模为 575 token）下为 52.44%，仅用 165 token，在 Condensed Memory 下即达到 66.48%，与使用 288 token 的 Redundant-Memory 分数相同。

表｜SOP-Bench dangerous_goods 记忆消融实验

在 LoCoMo 长期事实记忆评测上，GA 在 Multi-Hop、Temporal、Open-Domain、Single-Hop 四个类别全部取得 SOTA F1 与 BLEU-1 分数，多跳上 F1 达 43.33，超过 Mem0（39.32）与 A-MEM（29.03），且不依赖任何 embedding 模型或向量数据库。

表｜LoCoMo 长期事实记忆评测

在装入相同 20 个技能并大量使用后，仅发送一句“Hello”，GA 完整 prompt 长度仅为2298 token，而 Claude Code、Codex、OpenClaw 分别为 22821、23932、43321。

4.自进化能力

以 LangChain GitHub 研究任务作为纵向追踪目标，GA 在 9 轮内从 7m30s、32 次 LLM 调用、222203 token 收敛到 1m38s、5 次调用、23010 token，时间下降 78.2%、调用下降 84.4%、token 下降 89.6%，第 6-9 轮稳定在 23k±1k token 区间。输入 token 从 15581 降到 1323，cache-read 从 183375 降到 19034，主要节省来自调用次数坍缩而非单次响应缩短。

表｜在 LangChain GitHub 研究任务上的 9 轮演化轨迹

另外，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%，每个任务呈现“冷启动-快速收敛”模式：首轮承担 SOP 适配成本，第二、三轮直接复用稳定下降；长程状态转移任务（Category D）节省多达 92.0%。OpenClaw 在三次重复中无收敛趋势，B2 任务 token 在 1370k、2330k、2130k 间反复重探索。

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）、Custom Tasks（22 项任务）上的对比评测中，GA 的得分（0.834、0.60、0.577）均超过 OpenClaw（0.722、0.20、0.50），但 token 消耗仅为 OpenClaw 的 1/4-1/3。

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 轮执行上限使得高度复杂的研究任务可能横跨多个会话，会话间连续性目前只通过书面报告与任务列表注释维持；基于反思的权重调整仍是初步设计，尚未在多样化真实工作流上积累足以验证有效性的长期数据；记录错误与偏好的自我改进日志当前依赖人工策展；合并冗余类别、淘汰过时工具、重组拓扑等技能树高级管理依然完全手工。

研究团队表示，极简架构是 Agent 自主进化的必要前置。当核心代码从数十万行降到几千行，Agent 才有能力读懂并修改自身。从技能整合到自主探索再到架构自更新是 Agent 进化的三个递进维度，但完整路径的验证仍有待研究。

整体上，GenericAgent把“让 Agent 在更长上下文中思考”这一主流路径反过来，把窗口压缩到了 30k token，把工具收敛到了 9 个，把经验沉淀为了可执行代码。

在当前 token 成本与延迟成为大规模部署核心约束的现状下，这种以信息密度而非容量为目标的系统设计，可能比单纯堆栈更长上下文窗口更值得关注。