LLM-agentit purkautuvat pitkiin tehtäviin. Tässä kontekstitekniikka todella merkitsee. Agentit voivat järkeillä ja käyttää työkaluja, mutta laajennetut toiminnot aiheuttavat rajatonta kontekstin kasvua ja kertyneitä virheitä. Yleiset korjaukset, kuten kontekstin pakkaus tai hakua augmentoitu prompting, pakottavat kompromisseja tiedon tarkkuuden ja päättelyn vakauden välillä. Tämä uusi tutkimus esittelee InfiAgentin, viitekehyksen, joka pitää agentin päättelykontekstin tiukasti rajattuna riippumatta tehtävän kestosta. Ajatuksena on ulkoistaa pysyvä tila tiedostokeskeiseksi abstraktioksi. Sen sijaan, että kaikki mahtaisi kontekstiin, agentti ylläpitää tiedostojen työtilaa, joka säilyy vaiheittain. Jokaisessa päätöspisteessä se rekonstruoi kontekstin työtilan snapshotista sekä kiinteästä viimeaikaisten toimintojen ikkunasta. Tämä irrottaa tehtävän keston kontekstikoosta. Riippumatta siitä, kestääkö tehtävä 10 tai 1000 askelta, päättelykonteksti pysyy samana. Tämä on hyvä, koska lähestymistapa ei vaadi tehtäväkohtaista hienosäätöä. Agentti toimii samalla tavalla riippumatta domainista. DeepResearchin kokeet ja 80 artikkelin kirjallisuuskatsaustehtävä osoittavat, että InfiAgent, jolla on 20B avoimen lähdekoodin malli, on kilpailukykyinen suurempien suljettujen järjestelmien kanssa. Se ylläpitää huomattavasti korkeampaa pitkän aikavälin kattavuutta kuin kontekstikeskeiset lähtökohdat. 80 artikkelin kirjallisuuskatsaus on erityisen paljastava. Juuri tällainen pitkä tehtävä on, jossa perinteiset agentit keräävät virheitä ja menettävät käsityksen siitä, mitä ovat tehneet. InfiAgentin tiedostopohjainen tilan ulkoistaminen estää tämän heikkenemisen. Artikkeli: Opettele rakentamaan tehokkaita tekoälyagentteja akatemiassamme: