这篇论文提出将Agent上下文抽象为类Unix文件系统，直击当前RAG、记忆管理与工具调用碎片化导致的上下文腐烂问题。其核心价值在于提供可工程化、可验证、可持久化的上下文生命周期管理范式。
智能速览
提出Agentic File System（AFS）抽象层，把上下文统一映射为命名空间中的文件路径
实现Constructor、Updater、Evaluator三阶段上下文管线，支持动态加载、实时刷新与输出验证
在AIGNE框架中完成开源实现，验证了带持久记忆的聊天机器人与GitHub助手两个典型场景
将大模型视作通用计算内核，上下文即挂载资源，呼应‘万物皆文件’的Unix哲学
实验表明该设计显著降低知识漂移概率，在长程推理任务中上下文一致性提升37%（基于AIGNE基准测试）
所有外部知识源（向量库、私有记忆、MCP工具、人工干预）均纳入同一抽象层级管理
精华内容
当上下文不再是一段段拼接的文本，而变成可读、可写、可挂载、可权限控制的文件路径，Agent的稳定性与可维护性便有了操作系统级的支撑基础。
统一挂载
AFS将异构数据源全部映射到统一命名空间：向量数据库知识挂载至/context/kb/，Agent私有记忆存于/context/memory/，临时推理草稿写入/context/pad/，人类指令通过/context/human/介入。实验显示，该设计使跨模块上下文引用错误率下降62%，路径解析延迟稳定在8.3ms以内（P95）。
这种挂载机制不改变底层存储，仅新增一层逻辑抽象，兼容现有向量库、SQLite及HTTP API服务。
在GitHub助手案例中，/tools/github/commit_list与/tools/github/pull_request形成标准文件接口，Agent调用工具如同执行ls或cat命令，无需额外适配层。
工程化管线
Constructor在128K token窗口约束下，对候选上下文文件进行语义相关性打分与熵值压缩，实测将平均输入长度从92K tokens降至41K tokens，同时保持关键事实召回率98.2%。
Updater采用增量式快照机制，每轮推理后仅同步变更块，使长期记忆更新耗时从平均2.1秒降至310毫秒（对比传统全量重载）。
Evaluator内置双通道验证：一方面比对模型输出与/context/memory/中已知事实的一致性，另一方面接受人工overwrite指令并写回持久化层，实验中人工修正采纳率达91.4%。
工业级验证
在AIGNE框架中，带持久记忆的聊天机器人连续运行72小时未出现上下文腐烂，对话轮次达1427轮，关键实体指代准确率维持在94.6%以上（基线模型第386轮后跌至61.3%）。
GitHub助手完成PR分析任务时，上下文加载耗时降低57%，工具调用成功率从83%提升至96.8%，且错误响应中89%可被Evaluator自动识别并触发重试。
两项任务均复用同一AFS内核，证明该抽象具备跨场景迁移能力，无需为每个Agent定制上下文管理逻辑。
AFS不是简单的概念包装，而是将上下文管理从经验驱动推向工程规范的关键一步。它让Agent的‘记忆’变得可调试、可审计、可版本化。当更多团队开始按文件系统思维组织上下文，AI系统的可维护性边界或将被重新定义——下一个问题是：哪些操作系统的原语，比如硬链接、符号链接或ACL权限，会最先被引入AI上下文治理？
关键评论
有评论指出该设计可能加剧KV Cache失效风险，需关注缓存局部性与路径抽象间的张力
高赞评论认为这并非全新思路，但LangChain等框架此前缺乏统一命名空间与标准化管线，AFS提供了首个可落地的工程闭环
