ACE: Pluggable Adaptive Context Elasticizer across Agents

📄 arXiv: 2606.31564v1 📥 PDF

作者: Ning Liao, Zihao Long, Xiaoxing Wang, Xue Yang, Yaoming Wang, Ziyuan Zhuang, Xunliang Cai, Rongxiang Weng, Junchi Yan

分类: cs.AI

发布日期: 2026-06-30

💡 一句话要点

提出ACE模块以解决LLM代理任务中的上下文管理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 上下文管理 自适应模块 大型语言模型 信息恢复 代理系统

📋 核心要点

  1. 现有的上下文管理技术在处理复杂代理任务时存在信息丢失和不可逆转的问题，导致决策质量下降。
  2. 本文提出的ACE模块通过无损存储历史信息，并根据任务状态动态调整上下文类型，解决了信息管理的灵活性问题。
  3. 实验结果显示，ACE在ReAct、DeepAgent、WebThinker和MiroFlow等四个代理框架中均显著提升了性能，超越了传统的截断和摘要方法。

📝 摘要（中文）

随着代理任务复杂性的增加，轨迹长度迅速增长，这对基于大型语言模型（LLM）的代理造成了显著挑战，尤其是固定上下文窗口的局限性。现有的上下文管理技术如截断和摘要存在固有的缺陷，一旦信息被丢弃或压缩，就无法在后续决策步骤中恢复。为了解决这些问题，本文提出了自适应上下文弹性器（ACE），这是一个可插拔模块，能够在每个决策步骤中灵活地将历史步骤信息整合到代理的上下文中。ACE维护一个无损消息维护层，存储每个历史步骤的原始消息和压缩抽象，同时上下文编排层根据当前任务状态自适应地为每个步骤分配弹性类型。实验表明，ACE在四个不同的代理框架中均优于截断和摘要基线，带来了持续的性能提升。

🔬 方法详解

问题定义：本文旨在解决基于LLM的代理在处理复杂任务时，由于固定上下文窗口导致的信息丢失和不可逆转的问题。现有的上下文管理方法如截断和摘要在信息处理上存在固有的局限性，无法有效应对动态变化的任务需求。

核心思路：ACE模块的核心思想是通过无损的消息维护层和自适应的上下文编排层，灵活地管理历史信息。该设计允许在每个决策步骤中根据当前任务状态动态选择保留的信息类型，从而确保LLM始终接收到丰富的上下文信息。

技术框架：ACE的整体架构包括两个主要模块：消息维护层和上下文编排层。消息维护层负责存储历史步骤的原始消息和压缩抽象，而上下文编排层则根据任务状态动态决定每个步骤的信息类型（原始、抽象或丢弃）。

关键创新：ACE的最重要创新在于其可逆设计，允许在后续决策中恢复之前丢弃的信息。这一特性与现有方法的不可逆性形成鲜明对比，使得信息管理更加灵活和高效。

关键设计：ACE模块的设计包括无损消息存储机制和动态上下文编排策略，确保在不同任务状态下能够有效选择和管理信息。具体的参数设置和损失函数设计未在摘要中详细说明，需参考原文获取更多技术细节。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ACE在四个代理框架中均显著优于传统的截断和摘要方法，具体性能提升幅度未在摘要中详细说明，但实验一致性和性能增益的表述表明ACE的有效性和可靠性。

🎯 应用场景

ACE模块具有广泛的应用潜力，尤其在需要处理复杂决策和动态信息的领域，如智能助手、自动驾驶、游戏AI等。通过提高信息管理的灵活性和有效性，ACE能够显著提升这些系统的决策质量和响应速度，推动相关技术的发展和应用。

📄 摘要（原文）

The increasing complexity of agentic tasks has led to rapidly growing trajectory lengths, which poses significant challenges for large language model (LLM) based agents with fixed context windows. Existing context management techniques, such as truncation and summarization, suffer from inherent inflexibility and irreversibility: once information is discarded or compressed, it cannot be recovered even when it becomes critically relevant in later decision steps. To address these limitations, we propose the Adaptive Context Elasticizer (ACE), a plug-and-play module that elastically orchestrates historical step information into the agent's context at each decision step. ACE maintains a lossless message maintenance layer that stores both raw messages and compressed abstractions for each historical step, while a context orchestration layer adaptively assigns each step an elastic type as raw, abstract, or drop, at every decision step based on the current task state. This reversible design ensures that the main LLM always receives a compact yet information-rich context. We adapt ACE to four diverse agent frameworks, including ReAct, DeepAgent, WebThinker, and MiroFlow, without training or architectural modifications. Experiments show that ACE consistently outperforms truncation and summarization baselines, and brings consistent performance gains across all four agent frameworks.