研究人员开发了新的方法来压缩大语言模型（LLM）代理的上下文，以提高效率和安全性。一种方法是“Twin Agent”，它将代理分为用于处理不受信任信息的“Explore Agent”和用于执行特权操作的“Safe Agent”，并使用紧凑的提示来维持效用同时防止攻击。另一种方法是“Distil”，它使用统计上的非劣性检验来确保上下文压缩不会改变代理的决策过程，在SWE-bench任务上实现了与完整上下文相当的性能。 AI
影响 这些上下文压缩技术可以显著降低计算成本，并提高LLM代理在复杂、长时程任务中的可靠性。
排序理由 该集群包含两篇不同的研究论文/项目，详细介绍了用于大语言模型代理上下文压缩的新颖方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.19595v1 Announce Type: cross Abstract: Large language model (LLM) agents are vulnerable to security risks, such as prompt injection attacks from untrusted context that manipulate downstream reasoning and tool use. Existing secure-by-design approaches mitigate this risk…
<!-- SC_OFF --><div class="md"><p>Every context compressor I've tried asks you to trust that squeezing the context won't change what the agent does. I wanted a compressor that proves it instead.</p> <p>Distil's bet: for an agent, decision-equivalence (same tool calls, same output…