AgentSwing:面向长视野Web智能体的自适应并行上下文管理路由框架

用并行上下文分支+前瞻路由让智能体按状态自选管理策略。

前置知识

长视野信息检索 (Long-Horizon Information Seeking)

指智能体需要通过几十甚至上百轮工具调用(搜索、访问网页、Python执行等)才能定位关键证据并给出最终答案的任务范式,代表基准有BrowseComp、GAIA、HLE等。它与传统单轮问答的关键差别是交互轮数与上下文长度都呈数量级增长。

AgentSwing正是为这种场景设计的方法,如果不理解'长视野'意味着上下文会爆炸、需要管理,就无法理解它为什么要做context engineering、为什么固定策略会失败。

上下文管理 (Context Management) 与Context Rot

上下文管理指智能体在上下文超预算时,通过压缩/裁剪/重置为后续推理腾出工作空间。常见静态策略有Discard-All(全部丢弃)、Keep-Last-N(保留最近N轮)、Summary(压缩成摘要)。Context Rot指上下文越长模型终止精度越低的退化,本文Fig.2定量验证。

AgentSwing的核心是改写'上下文管理'的范式——从固定策略改为状态自适应的路由,必须先理解这三种静态策略的行为与缺陷才能理解为什么'并行分支+前瞻路由'是有效升级。

工具调用智能体 (Tool-Use Agent) 与ReAct式轨迹

基于LLM的智能体通过think→tool call→tool response三步循环与外部环境交互,典型实现是ReAct范式(Yao et al., 2023)。轨迹由一系列(, , )元组构成,每一步都可能引入新的观察。

AgentSwing的所有设计——并行分支、前瞻K步、路由选择——都建立在ReAct式轨迹之上,理解这一基本结构才能理解触发条件(累计上下文超过阈值r倍最大长度)和管理粒度(N个交互轮次的元组)。

搜索效率 η 与终端精度 ρ (Search Efficiency & Terminal Precision)

本文提出的概率分解:η = P(S|τ)为智能体在资源耗尽前到达终止点的概率,ρ = P(C|S,τ)为到达终止点后给出正确答案的条件概率,二者之积Pass@1 = η·ρ。这一分解把'最终准确率'这一标量拆成两个互补维度,反映搜索过程中的可达性与到达后的可靠性。

这是AgentSwing最重要的概念性贡献,没有它就无法解释为什么Discard-All能赢过无CM基线(更小的ρ被更大的η补偿),也无法解释为什么AgentSwing能同时获得高η和高ρ(突破了效率-精度的帕累托前沿)。

前瞻搜索 (Lookahead / Rollout) 与束搜索

前瞻指在决策点先沿候选分支各推演若干步,再根据推演结果反选最佳分支,广泛用于蒙特卡洛树搜索(MCTS)与束搜索(beam search)。AgentSwing里每个候选上下文分支各续K=3轮,然后把续写结果交给router模型选择。

AgentSwing的路由机制本质上是把束搜索思想从token级迁移到上下文管理级,理解K=1/3/5的消融(表3)与束宽类比后,就能明白'为什么适度前瞻最有效'(K=3)而'过多前瞻可能超出模型上下文'(K=5变差)。

对齐子集评估 (Aligned Subset Evaluation) 与Align-Finish

指仅在所有对比策略/设置都成功finish的任务子集上比较精度,以排除不同策略完成不同任务集合带来的偏差。本文在表2中进一步扩展为ρ^Align-CM(在所有策略都触发上下文管理的任务上比较)和ρ^Align-Finish(所有策略都finish的任务上比较)。

由于不同策略会finish不同的任务集合,直接比较绝对Pass@1会有偏差,这一对齐协议在论文中被反复使用(表2、Fig.6),理解它是正确解读实验数字的前提。

研究动机

随着LLM智能体从单轮问答进化为可浏览网页、串行调用工具的自主系统,长视野信息检索成为衡量真实能力的核心测试场(Wu et al., 2025)。这类任务常需数十甚至上百轮搜索、访问、验证、回溯,但上下文容量有限,成为核心瓶颈——智能体可能在收集到足够证据前就用尽工作空间。因此上下文管理已成为塑造长视野智能体性能上限的关键机制(Anthropic, 2025b;Liu et al., 2025a)。激进的Discard-All可显著提升表现,但所有现有方法都依赖单一固定策略,在整条轨迹中重复同一压缩操作。这一设计存在根本缺陷:轨迹状态不断演化,某些状态下中间结构应该被保留,某些状态则被噪声/漂移主导,需要更激进干预。论文Fig.2定量展示Context Rot现象——GPT-OSS-120B的终端精度ρ从~85%(25.6k预算)单调下滑到~58%(102.4k预算),说明'越多上下文并不总是越好',为上下文管理的重要性提供了直接证据。

本文的目标是本文的核心目标是提出一个能根据轨迹状态自适应选择上下文管理策略的框架AgentSwing,以突破静态策略在效率-精度平面上的帕累托前沿。具体目标包括三方面:第一,提出第一个把长视野智能体成功概率分解为搜索效率η与终端精度ρ的概率框架,把Pass@1 = η·ρ的乘积式结构显式化;第二,设计一个state-aware的并行上下文管理路由框架,在每次触发点并行展开多个候选分支,经短视距前瞻路由后选出最有希望的延续;第三,在BrowseComp、BrowseComp-ZH、HLE三个深度信息检索基准以及GPT-OSS-120B、DeepSeek-v3.2、Tongyi-DR-30B-A3B三种开源骨干上系统验证,目标是用≤3倍更少的交互轮次匹配或超过静态策略,并提升最终的Pass@1天花板。

与已有工作不同的是，现有方法的关键缺口是把'上下文管理'当成一个固定的工程操作(每触发就执行同一种压缩),而不是一个'随轨迹状态变化的决策问题'。本文的独特切入角度是把上下文管理重新形式化为一个状态依赖的路由问题:不预先选择单一策略,而是在触发点同时启用Keep-Last-N、Summary、Discard-All三种代表性策略作为并行分支,各自向前续写K步,然后由智能体模型根据短视距的前瞻轨迹(而非压缩后的静态文本)选择最合理的延续。这种思路与Liu et al. 2025a、Team et al. 2026、Zeng et al. 2026a等工作的固定策略(每个项目只选一种)以及Anthropic 2025b提倡的人工启发式Context Engineering形成本质区别——AgentSwing把'选哪种上下文管理'的决策推迟到看到短视距未来之后,因而能根据'当前状态是否已被噪声主导''最近的线索是否还在有效''是否需要彻底重来'等不同情境灵活切换,这也是它能在效率-精度平面上同时跑赢效率主导型策略(Keep-Last-N、Summary)与精度主导型策略(Discard-All)的原因。

核心方法

AgentSwing的整体思路借鉴束搜索的精神,但把'选择哪个候选token'替换为'选择哪个候选上下文管理策略'。在标准的长视野工具调用智能体设定中,智能体从用户提示q出发,通过(, , )三元组循环与环境交互。当累积上下文长度超过最大上下文长度的r比例(本文r=0.2或0.4)时,AgentSwing被触发,执行两个组件:第一步并行上下文管理,把同一份原始上下文同时施加Keep-Last-N、Summary、Discard-All三种策略,得到三份候选managed context;第二步前瞻路由,每条候选分支各自继续与环境交互K轮(本文K=3),然后把这三段前瞻轨迹与原始raw context一起交给智能体模型,由它选出最合理的分支作为后续主轨迹,其余分支被丢弃。这一设计的关键直觉是:不同上下文管理策略在不同状态下的优劣无法在压缩完成后立刻判断,只有让每种策略'先走几步'看到它在真实环境反馈下的下游行为,才能做出可靠选择。

AgentSwing的核心创新是把上下文管理从'单次静态压缩'升级为'基于短视距前瞻的状态依赖路由'。具体而言,三点本质区别于既有方法:(1)并行展开而非串行尝试:不需要为每种策略独立跑一整条轨迹再做集成,而是在触发点一次性分叉,把额外计算开销控制在前瞻K步的级别;(2)决策依据从'压缩后的文本'升级为'前瞻后的轨迹':传统路由(若存在)只能看到压缩后的静态内容,AgentSwing让router看到每条分支在K步真实环境交互后的进展,从而能识别'分支已经在某条错误假设上越陷越深'或'分支已经发现关键线索'等动态信号;(3)从效率-精度的帕累托前沿突破到内点:Keep-Last-N/Summary位于高效低精度一侧,Discard-All位于低效高精度的另一侧,AgentSwing通过自适应选择同时拿到η接近前者、ρ接近后者,从而在Pass@1上超过所有静态策略。

方法步骤详情

方法分四阶段。第一阶段(触发判断):每步检测$|C_t|$,若$|C_t| \geq r \cdot L_{\max}$($L_{\max}=128k$,$r=0.2/0.4$),激活AgentSwing;否则继续ReAct。第二阶段(并行管理):对同一$C_t$同时施加三种策略——$C_1^{\text{keep}}=\text{KeepLastN}(C_t, N=5)$(保留最近5元组)、$C_2^{\text{sum}}=(q, \text{Sum}(C_t))$(GPT-OSS-120B压缩后与用户提示拼接)、$C_3^{\text{dis}}=q$(仅用户提示)。第三阶段(前瞻路由):每条分支续$K=3$步ReAct得$L_i$;router prompt由raw context加三段(Branch i: $C_i + L_i$)组成,智能体选最合理分支;K=3最优(K=1信息不足,K=5易超上下文)。第四阶段:router选定后丢弃其余,把lookahead拼接为新主轨迹运行至下次触发。压缩器固定用GPT-OSS-120B。

技术新颖性

技术新颖性可归纳为四点。第一,把'多策略集成'从'多次完整跑再聚合'压缩到'同一触发点的K步前瞻',把束搜索从token级迁移到上下文管理层级,额外计算开销可控;消融表3显示仅路由机制就让GPT-OSS-120B从51.0/52.5(random/w/o lookahead)上升到52.5/60.0(K=1/K=3)。第二,首次在长视野智能体中提出可量化的效率-精度概率分解$\text{Pass@1}=\eta \cdot \rho$,不仅解释了为什么Discard-All能赢过无CM基线,还定量揭示了不同静态策略在效率-精度平面上的位置(图3b),为未来策略设计提供统一语言。第三,设计'短路前瞻路由'而非让router只看压缩文本,论文在表3证明'w/o Lookahead'退化到50.0/57.0,说明增益来自'看到策略的下游行为'而非'保留多策略'。第四,首次报告不同静态策略在BrowseComp上随交互预算(100/200/300/400 turns)的完整缩放曲线(图5),揭示'小预算收益有限,大预算稳定超基线,AgentSwing在所有预算下领先'的非平凡现象。

**Figure 3**: Comparison of context management strategies through the efficiency-precision lens.

实验结果

实验在三基准与GPT-OSS-120B、DeepSeek-v3.2、Tongyi-DR-30B-A3B三骨干上,128k上下文、400轮、$r=0.2/0.4$。Pass@1(表1):AgentSwing一致领先,DeepSeek-v3.2 62.5/71.3/44.4,BrowseComp-ZH 71.3超Claude-4.5-Opus 62.4与Gemini-3.0-Pro 66.8;GPT-OSS 60.0 vs最强静态Keep-Last-N 52.5(+14%);Tongyi-DR 60.5 vs Discard-All 58.0。对齐子集(表2):GPT-OSS AgentSwing 41.8%Pass@1超其他三种策略28.7%/35.2%/28.7%,平均轮次190.3远少于Discard-All 297.2,证明增益不靠烧更多turn。前瞻消融(表3):random/w/o Lookahead/K=1/3/5分别51.0/50.0/52.5/60.0/55.0,K=3最佳,Tongyi-DR从56.5→60.5,验证适度前瞻最有效。

**Table 1**: Overall performance on long-horizon agentic benchmarks.

**Table 2**: Performance comparison of different context management methods on aligned cases that trigger context management under all evaluated strategies (ρ^Align-CM).

**Table 3**: Ablation on lookahead strategy.

**Figure 5**: Performance of different context management strategies on BrowseComp over maximum interaction turns.

**Figure 6**: Token efficiency on the aligned cases used in Table 2.

查看结构化数据

任务	指标	本文	基线	提升
BrowseComp (200题子集) 深度信息检索	Pass@1 (LLM-as-a-Judge)	GPT-OSS-120B 60.0 / DeepSeek-v3.2 62.5 / Tongyi-DR-30B-A3B 60.5	GPT-OSS w/o CM 39.5, Keep-Last-N 52.5, Discard-All 50.5, Summary 48.0;DeepSeek w/o CM 51.4, Discard-All 58.0; Tongyi-DR w/o CM 43.4, Discard-All 58.0, Keep-Last-N 53.0	相对最强静态策略:GPT-OSS +7.5(从52.5→60.0,+14%),DeepSeek +4.5(+8%),Tongyi-DR +2.5(+4%)
BrowseComp-ZH (全289题) 中文深度信息检索	Pass@1	GPT-OSS-120B 38.0 / DeepSeek-v3.2 71.3 / Tongyi-DR-30B-A3B 56.7	DeepSeek w/o CM 65.0, Discard-All 70.2, Keep-Last-N 69.9, Summary 69.2;Tongyi-DR w/o CM 46.7, Discard-All 53.9, Keep-Last-N 50.1	DeepSeek 71.3 超过 Claude-4.5-Opus 62.4、Gemini-3.0-Pro 66.8、OpenAI-o3 58.1,显著超越所有闭源;GPT-OSS 38.0 vs最强静态 33.6(+4.4)
HLE (Humanity's Last Exam, 500题) 学术推理与检索	Pass@1	GPT-OSS-120B 35.1 / DeepSeek-v3.2 44.4 / Tongyi-DR-30B-A3B 33.1	GPT-OSS w/o CM 33.2, Summary 34.4, Keep-Last-N 34.1;DeepSeek w/o CM 40.8, Summary 43.5, Discard-All 42.0;Tongyi-DR w/o CM 32.9, Discard-All 32.7	DeepSeek 44.4 超过 Claude-4.5-Opus 43.4、Gemini-3.0-Pro 45.8(基本持平),GPT-OSS +0.7,Tongyi-DR +0.2,HLE整体提升较小提示该基准已接近推理能力上限
对齐子集(所有策略均触发CM) Pass@1	Pass@1 (ρ^Align-CM)	GPT-OSS 41.8% / DeepSeek 35.6% / Tongyi-DR 31.1%	GPT-OSS Discard-All 28.7, Keep-Last-N 35.2, Summary 28.7;DeepSeek Discard-All 32.9, Keep-Last-N 31.5, Summary 30.1;Tongyi-DR Discard-All 20.0, Keep-Last-N 20.0, Summary 20.0	GPT-OSS +6.6/+13.1,DeepSeek +2.7/+4.1,Tongyi-DR +11.1,证明在公平对齐子集上AgentSwing仍稳定胜出
前瞻路由机制消融 (GPT-OSS-120B / Tongyi-DR)	Pass@1 (BrowseComp)	Lookahead K=3: GPT-OSS 60.0 / Tongyi-DR 60.5	random路由 GPT-OSS 51.0 / Tongyi-DR 56.5;w/o Lookahead GPT-OSS 50.0 / Tongyi-DR 57.0;Lookahead K=1 GPT-OSS 52.5;K=5 GPT-OSS 55.0	Lookahead K=3 比random高+9.0/+4.0,比w/o Lookahead高+10.0/+3.5,验证'前瞻+中等深度'是关键
触发轮次对齐的turn效率	平均交互轮次 (GPT-OSS-120B aligned子集)	AgentSwing 190.3 turns	Discard-All 297.2, Summary 248.0, Keep-Last-N 205.4	比Discard-All少~107 turns(-36%),证明增益不是靠烧更多turn换来,而是来自更好的决策
整体对比开源深度信息检索智能体 (BrowseComp full)	Pass@1	Tongyi-DR + AgentSwing 60.5 (在Tongyi-DR骨干上)	OpenAI DeepResearch 51.5, MiroThinker-v1.5-30B-A3B 56.1, AgentFounder-30B-A3B 39.9, IterResearch-30B-A3B 37.3, AgentFold-30B-A3B 36.2, ASearcher-Web-32B 5.2, DeepMiner-32B-RL 33.5	在30B-A3B同等规模智能体中建立SOTA,优于次优MiroThinker 56.1达+4.4

局限与改进

作者在第7节明确承认三点局限:第一,工作聚焦测试时(test-time)上下文管理,虽提供效率-精度视角,但未转化为模型内生能力(尚未训练出'小预算下本质高效'或'长视野噪声下本质可靠'的智能体);第二,路由机制仍由智能体自身执行,作者认为'更强、更有预见力的专用router/verifier'能进一步提升分支选择质量;第三,未充分分析路由器失败成本——若router选错,AgentSwing浪费2/3前瞻计算且主轨迹沿错误分支运行直到下次触发。从技术细节可观察到:(1)无router出错率统计;(2)实验仅覆盖BrowseComp/BrowseComp-ZH/HLE,未测GAIA、WebArena等;(3)Summary压缩器固定为GPT-OSS-120B,在GPT-OSS实验中存在循环依赖嫌疑;(4)前瞻K=3为常数,未按任务难度自适应;(5)BrowseComp使用200题子集而非全集。

独立分析的弱点

独立审视后,以下弱点值得改进。第一,router完全依赖智能体自身,对元认知要求很高,一旦模型对错误假设(如Fig.7中的Lil Durk)有强先验就可能选错分支;改进方向是训练独立的价值模型或PRM对每条分支打分。第二,AgentSwing只在触发点做一次路由,两次触发之间主轨迹以单一策略运行数十上百轮,与'持续自适应'仍有差距;改进方向是设计trigger-free的持续版本或每N步轻量级路由。第三,三种候选策略均匀参与,论文未搜索策略组合空间;改进方向是把它们当作基本操作,通过RL或进化搜索寻找最优组合。第四,Lookahead K=3为全局常数,简单任务3步足够、复杂任务可能需要更多;改进方向是设计自适应K机制,根据分支reward差异性动态决定。第五,token效率分析(图6)定性而非定量,缺'Pass@1 vs 累计token'曲线,改进方向是补一张与图5对称的缩放图。

未来方向

作者第7节提出两个明确方向:其一,训练'小预算本质高效'或'长视野噪声下本质可靠'的智能体,可通过SFT或RLHF把多分支前瞻决策蒸馏到单模型推理中,让推理时不再需要并行展开;其二,设计'专用router/verifier/trajectory evaluator',例如训练轻量PRM或Q-value model专门评估分支前景。基于成果可延伸四条方向:(1)扩展到多模态工具调用场景,候选分支从文本压缩升级为'继续读图/PDF/网页/代码'等异构策略;(2)router与主智能体协同训练,在端到端RL中联合优化避免'router学偏→主智能体跟着走偏'的循环失败;(3)把'自适应上下文管理'与记忆系统结合,累积'哪些策略在哪些状态下更优'的经验做成元学习式策略先验;(4)研究实时交互场景(边聊边搜)的延迟-质量折衷,K=3前瞻意味着约3×串行等待,实时场景需要异步前瞻或投机执行机制。

复现评估

复现评估四方面。开源情况:论文提供主页 https://tongyi-agent.github.io/blog 与代码仓库 https://github.com/Alibaba-NLP/DeepResearch,但未明确声明模型权重与完整实验代码发布细节。数据可获得性:BrowseComp、BrowseComp-ZH、HLE均公开,可从HuggingFace下载,BrowseComp 200题与HLE 500题子集随机采样,可复现。算力需求:三个骨干都是百亿到千亿参数规模,加128k上下文与400轮交互,AgentSwing每次触发额外并行展开3×3轮前瞻,GPU时间显著高于静态策略;具体硬件未明示,跑完所有表格至少需8张A100/H100。复现难度:技术栈涵盖长视野工具调用、多策略上下文管理、前瞻路由、LLM-as-a-Judge等组件,每一项有独立门槛;但AgentSwing无新训练步骤,核心是推理时控制逻辑,工程门槛中等。综合看,论文提供完整实验细节(触发比例r、lookahead K、最大turn、评估协议等),结合开源项目页,完整复现可行但需稳定API与充足算力。

AgentSwing:面向长视野Web智能体的自适应并行上下文管理路由框架 AgentSwing: Adaptive Parallel Context Management Routing for Long-Horizon Web Agents