📖标题：AgentSwing: Adaptive Parallel Context Management Routing for Long-Horizon Web Agents
🌐来源：arXiv, 2603.27490v1

🌟摘要

随着大型语言模型（LLM）演变为长距离信息搜索的自治代理，管理有限的上下文容量已成为一个关键瓶颈。现有的上下文管理方法通常在整个轨迹中致力于单一固定策略。这种静态设计可能在某些状态下工作得很好，但是它们不能随着所累积的上下文的有用性和可靠性在长范围搜索期间的演变而适应。为了将该挑战形式化，我们引入了一个概率框架，通过两个互补的维度来描述longhorizon成功的特征：在此基础上，提出了一个状态感知的自适应并行上下文管理路由框架AgentSwing，AgentSwing并行扩展多个上下文管理分支，并使用前瞻路由选择最有希望的后续分支.在不同基准测试和代理主干上的实验表明，AgentSwing的性能始终优于强大的静态上下文管理方法，通常匹配或超过他们的性能与多达3倍的互动回合，同时也提高了最终的性能上限的长期的网络agents.Beyond经验的收益，建议的概率框架提供了一个原则性的透镜，分析和设计未来的上下文管理策略的长期的地平线代理。

🛎️文章简介

🔸研究问题：在长程信息搜索任务中，固定的上下文管理策略如何适应不断变化的轨迹状态以平衡搜索效率与终端精度？
🔸主要贡献：论文提出了 AgentSwing 框架，通过概率视角分解任务成功率，利用并行分支扩展和前瞻路由机制动态选择最优上下文管理策略。

📝重点思路

🔸构建概率框架，将长程代理的成功率分解为搜索效率（到达终止点的概率）和终端精度（终止时答案正确的概率），揭示现有静态策略的局限性。
🔸设计并行上下文管理机制，在触发点同时执行保留最近 N 轮、摘要压缩和全部丢弃等多种策略，生成多个候选分支。
🔸引入前瞻路由机制，让每个候选分支继续交互若干步，由模型根据短期反馈评估并选择最有希望的分支作为主轨迹。
🔸通过状态感知的动态切换，克服单一固定策略无法适应轨迹中噪声积累或关键信息保留需求变化的缺陷。

🔎分析总结

🔸实验表明 AgentSwing 在多个基准测试和不同模型骨干上均优于静态策略，常以更少的交互轮次达到同等或更高的性能。
🔸静态策略存在明显的效率与精度权衡，如全部丢弃策略精度高但效率低，而基线策略效率高但易受上下文腐化影响导致精度低。
🔸消融实验证明前瞻路由机制至关重要，仅随机选择或无前瞻地直接选择分支均会导致性能显著下降，适度的前瞻步数效果最佳。
🔸案例分析显示该方法能灵活应对复杂场景，在轨迹充满噪声时选择重置，在发现关键线索时选择保留局部历史，从而突破静态方法的瓶颈。

💡个人观点

论文打破了长程代理中上下文管理策略“一成不变”的固有范式，将上下文管理建模为基于状态的路由问题。

🧩附录