AI Agent 在执行复杂长程任务时，常因记忆膨胀和错误累积导致行为漂移，严重影响可靠性。芝加哥大学团队提出的“智能体认知压缩器”（ACC）为此提供了新思路。它通过一种仿生机制，有效控制记忆增长，显著降低幻觉，让 Agent 在多轮交互中保持稳定，为构建更可靠的长期工作流奠定了基础。
智能速览
AI Agent 在长程任务中普遍面临行为漂移与性能退化问题。
传统对话回放记忆法易导致上下文膨胀和记忆污染。
ACC 用有限的内部状态更新取代了无限的对话记录。
该机制能将幻觉率和行为漂移降至更低水平。
在IT运维、网络安全等场景中验证了其稳定性和有效性。
精华内容
AI Agent的记忆管理是提升其长程工作能力的关键瓶颈。认知压缩器ACC的创新机制，正是为了突破这一瓶颈而设计，其核心在于对记忆过程的精细化解构与重构。
长程任务的困境
AI Agent 在处理多轮、长时的工作流程时，其性能表现常会随着交互次数的增加而显著退化。这种现象主要由三个因素导致：约束焦点的丢失、错误的逐步累积以及由记忆本身引起的“漂移”。在现实世界的应用中，上下文环境不断变化，各类干扰频繁出现，这要求 Agent 的决策必须保持长期的一致性，而上述问题则严重阻碍了这一目标的实现。
传统记忆的局限
为了赋予 AI Agent 持久记忆能力，目前主流的做法是采用对话记录回放或基于检索的机制。尽管这些方法在实现上相对直接，却带来了新的棘手问题。最突出的便是上下文的无限增长，这不仅增加了计算负担，也使得处理效率降低。更严重的是，这些方法容易受到噪声回忆和“记忆污染”的影响，即不相关或错误的信息被错误地整合进记忆中，最终导致 Agent 行为不稳定，漂移现象加剧。
认知压缩器ACC
针对上述挑战，芝加哥大学团队提出了一种名为“智能体认知压缩器”（ACC）的仿生记忆控制器。ACC 的核心创新在于，它彻底取代了传统的对话记录回放，转而通过在每个交互回合在线更新一个有限的内部状态来维持记忆。其巧妙之处在于将“artifact回忆”与“状态承诺”分离开来。这意味着，Agent 可以回忆起特定的信息片段，但只有经过验证的内容才会被提交并固化为持久记忆，从而有效防止了未经证实的信息污染核心状态。
实测效果验证
研究团队通过一个基于“智能体-裁判”的实时评估框架对 ACC 进行了全面测试。该框架能够在扩展的交互过程中，同步衡量任务完成结果和由记忆驱动的异常现象。在涵盖 IT 运维、网络安全响应和医疗工作流等多个复杂场景的实验中，ACC 始终维持着有界的记忆占用。更重要的是，相较于采用对话回放或检索机制的传统 Agent，ACC 展现出了更稳定的多轮交互行为，其幻觉率与行为漂移程度都显著降低。
芝加哥大学的这项研究为长程 AI Agent 的可靠性问题提供了切实可行的解决方案。“认知压缩”不仅是一种技术方法，更是一种新的设计哲学，它让 AI Agent 在复杂多变的环境中保持“清醒”。未来，这一基础性工作能否催生更强大、更可信的自主智能系统？
