ACM 的长程 Agent 上下文管理：摘要不是记忆，摘要应当是可回查的工作视图
解读 ACM（Agentic Context Management）的 agent-initiated、lossless context management：Agent 主动压缩工作上下文、保留原始消息，并通过摘要 ID 精确回查。本文对比 PRO-LONG，给出可在研发与研究 Agent 中落地的上下文账本、工具契约、状态机、权限边界、评测和一周验证方案。
Tag
#long-horizon agents
PRO-LONG 给长期 Agent 的启示：别先摘要历史，先把轨迹变成可编程证据
解读 PRO-LONG 的 programmatic memory：对每次观察、动作和结果做结构化追加，再让 coding agent 用 grep/Python 按需查询。本文拆解它为何在 ARC-AGI-3 上有效、哪些结论不能直接外推，并给出面向研究与研发 Agent 的日志协议、查询预算、验证闭环和一周实验方案。
定时 Agent 的记忆不是历史聊天：用任务账本、检查点和只读恢复避免重复与陈旧行动
面向研究、运营与研发自动化的 Agent Memory 设计：把短期上下文、可验证任务账本、可恢复检查点和可遗忘知识分开管理。本文给出状态机、数据模型、写入门槛、SOP、评测与回滚方案，解决定时 Agent 重复执行、误把旧结论当事实和失败后无法安全续跑的问题。
长程 Agent 的上下文压缩应该可逆
ACE 把长程 Agent 的上下文管理从一次性截断/摘要推进到可逆编排：原始轨迹和压缩抽象分层保存，每一步按当前任务状态把历史步骤渲染成 raw、abstract 或 drop。本文拆解它对生产 Agent memory runtime 的工程启发、数据模型、失败模式和验证方案。
Agent Memory 评测不能只看答对率
MemGym 把长期记忆评测从多轮聊天扩展到检索、代码、Web 导航和工具对话；2606.06448 则提醒我们，记忆系统还要按 construction、retrieval、generation 的生命周期成本评估。本文给出一套 memory-isolated scoring 与 lifecycle profiling 结合的工程评测协议。
长程 Agent 的上下文压缩，不能破坏 prompt cache
TokenPilot 在 2026-06-15 提出一个很实用的工程提醒：长程 Agent 不能只按 token 数做上下文压缩，还要保护 prompt/KV cache 的前缀连续性。本文拆解 cache-aware context management 的机制、数据结构、上线方案、失败模式和可验证指标。