能动上下文工程：为自我提升语言模型演进上下文

大型语言模型（LLM）应用，如代理和特定领域推理，越来越依赖于上下文适应——通过指令、策略或证据修改输入，而非通过权重更新。先前的方法增强了可用性，但常常受到简洁偏差的影响，即为简洁总结而丢失领域见解，以及上下文崩溃，即迭代改写过程中细节逐渐流失。基于Dynamic Cheatsheet引入的自适应记忆，我们提出了ACE（Agentic Context Engineering，能动上下文工程）框架，将上下文视为演进的剧本，通过生成、反思和策展的模块化过程，积累、提炼和组织策略。ACE 通过结构化的增量更新防止崩溃，保留详细知识，并能随着长上下文模型扩展。在代理和特定领域基准测试中，ACE 优化了离线（如系统提示）和在线（如代理记忆）上下文，一贯优于强基线：代理性能提升10.6%，金融任务提升8.6%，同时显著降低了适应延迟和部署成本。特别地，ACE 能在无标注监督的情况下有效适应，利用自然执行反馈。在AppWorld排行榜上，ACE 在总体平均表现上匹配排名第一的生产级代理，并在更具挑战性的测试分割中超越其表现，尽管使用的是更小的开源模型。这些结果表明，全面且演进的上下文能够实现可扩展、高效且自我提升的低开销LLM系统。