GenericAgent：通过上下文信息密度最大化实现的 Token 高效自进化 LLM 智能体 GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0)

GA 的方法包含以下完整步骤：(1) 工具调用与分派——每个工具用 JSON Schema 定义，运行时注入到 prompt 中产生结构化 tool_use 调用，统一分派器处理执行前后逻辑与返回结构化输出；典型组合如 file_patch 通过强制 old_content 唯一匹配避免静默多位置编辑，web_scan 克隆 DOM 并按可见性分类、剪除被覆盖元素后序列化（比原始 DOM 减少一个数量级 token），code_run 限制每轮一次调用确保观察后再规划。(2) 记忆注入与检索——启动时仅注入 meta-memory + L1 索引层；任务开始时 update_working_checkpoint 更新工作记忆锚点；按需通过工具调用加载 L2/L3 内容（用 file_read 等原子操作），不进入自动注入。(3) 自进化触发——在有意义的里程碑（子任务完成、错误恢复）触发合并，遵循 'No Execution, No Memory'：只有经过执行验证的内容才晋升 L2/L3，失败分支与猜测被丢弃；最终把 SOP 固化为可执行 Python 脚本（Stage 3 codified）并归档到 L4。(4) 上下文四阶段管理——Stage 1：每个工具返回时按 L 字符阈值头尾截断（code_run 为 10K、web_scan HTML 为 35K、file_read 约 1280/行 20K 总）；Stage 2：约每 5 轮做一次标签级压缩，重复 working-memory 块用占位符替换，thinking/tool_use/tool_result 标签内仅保留约 800 字符首尾窗口，最近 10 条消息豁免；Stage 3：当 $CH > B$ 触发淘汰，先用更严规则重跑 Stage 2（仅豁免 4 条最新），再按 FIFO 删除最旧消息直到历史 < 60% 预算，暴露出的最旧消息做 API 一致性清理；Stage 4：每次工具调用后自动注入锚点到下一条 user 消息，包含最近 20 条单行摘要（每条约 100 字符）、当前 turn 数、key_info 块。(5) 自主探索——双触发（外部任务邮箱 + Reflect 模式回调），每 6 分钟检测一次空闲；用评分函数 $S(t) = w_b B(t) + w_d D(t) + w_u U(t) + w_i I(t)$（权重初始 (0.3, 0.2, 0.3, 0.2)）生成任务列表，B(t) 奖励填充欠开发类别、D(t) 奖励强化高频技能、U/I 由 LLM 1–10 打分；任务清单至少跨 4 个类别；按 6 步固定序列执行（上下文加载→技能搜索→沙箱执行→报告写入→技能合并→推进任务列表），并通过 $S(t) > 8.0$ 但 $u(t) < 3$（30 天）则主导维度权重减 10% 的反馈机制自适应调权。

GA 的技术新颖性主要体现在三个层面。第一是设计原则的形式化：用完整性、简洁性、自然性三元素框架把零散优化（截断、压缩、淘汰、锚点）统一为同一个目标函数，避免了'每个组件各自为政'的常见缺陷；特别是论证了完全性和简洁性的张力是结构性的而非预算性的——即使窗口无限大也存在，这有别于传统观点把上下文管理视为单纯的资源问题。第二是记忆架构的极简索引：L1 记录存在性、用 LLM 自身作为解码器，使得索引体积逼近 Kolmogorov 复杂度，绕过了对向量数据库和嵌入模型的依赖；表 6 显示 GA 在 LoCoMo 上 Multi-Hop F1 达 43.33、BLEU 39.96，超过 Mem0（39.32/28.43）和 A-MEM（29.03/20.48），证明不依赖嵌入检索也能达到更好的事实记忆。第三是表征跃迁式的自进化：把轨迹压缩为 SOP（自然语言）→固化为代码（可执行）的三阶段转换，在 9 轮 LangChain PR 研究任务中实现 token 89.6%、LLM calls 84.4%、runtime 78.2% 的同步下降（R1: 7m30s 32 calls 222k → R9: 1m38s 5 calls 23k），这在现有文献中未有等价设计。第四是架构最小性的实证：3300 行核心代码（vs OpenClaw 530k 行，相差 160 倍）通过 CLI 单原语涌现出 subagent dispatch、Reflect Mode、watchdog、scheduled task 等高级能力；自托管 CLI 成为自然执行面，无需插件框架、事件总线或专用编排层。

独立分析的第一个弱点是自进化的冷启动成本仍然较高：表 8 显示 Round #1 仍需 222k tokens 和 7m30s，对于一次性任务或低重复任务，SOP 蒸馏的投入难以回收；论文没有给出冷启动开销与重复次数的损益平衡点。改进方向是引入任务相似度预判，对预期不重复的任务跳过 SOP 蒸馏，并对高重复度任务提前从其他用户/会话迁移可重用 SOP（隐私保护下）。第二个弱点是 web_scan 的 DOM 剪枝基于可见性分类和区域划分，但论文没有给出该剪枝算法对检索完整性的影响评估，可能在依赖隐藏元素（如下拉菜单、折叠面板）的任务上失效；改进方向是加入对剪枝后检索召回率的回归测试，并允许任务自描述哪些元素'虽然隐藏但关键'以跳过剪枝。第三个弱点是 30K 上下文预算的硬约束在某些场景过于激进：表 2 显示 GA 在 Lifelong AgentBench 上 90%（MiniMax M2.7）和 100%（Sonnet 4.6）都达成，但若未来 benchmark 增加超长跨任务状态（如 100 步依赖链），30K 预算可能反而限制表现；改进方向是引入'自适应预算'——根据任务预估长度动态调整目标预算（10K-60K），并对 L1 索引层做软上限（按访问频率分页）。第四个弱点是自进化对失败的鲁棒性有限——如果 SOP 蒸馏时的执行包含罕见环境差异，固化的代码可能在其他环境失效；改进方向是在 Stage 3 codified 之前加入'跨环境抽样验证'，用 N 个不同环境跑同一 SOP 把成功率作为晋升门槛。第五个弱点是 GA 的能力上限受执行权限定义（'权限定义能力天花板'）影响，但系统目前没有机制帮助用户发现'哪些权限扩展能解锁新能力'；改进方向是引入'能力-权限映射'分析，定期报告'若开放 X 权限，预计可解锁的 SOP 类别'。

作者在 Discussion 中明确提出的未来方向：验证从'技能巩固 → 自主探索 → 架构自更新'的三阶段进化路径（论文只到前两个阶段），即让智能体在极简核心代码下实现架构层面的自我修改（核心代码 3300 行相对 OpenClaw 530k 行的可读性差异为此提供了可能性）。基于成果可延伸的方向有：(1) 跨用户/跨组织的 SOP 共享与去重（隐私保护下用差分隐私或联邦学习），目前 SOP 是用户私有的，重复研发成本高。(2) 与结构化任务规划（如 HTN）的结合——目前 SOP 是从经验中蒸馏的，若能主动生成候选 SOP 并 A/B 测试会加速进化。(3) 多模态上下文的统一管理——当前 GA 优化的是文本 DOM；图像、音频、视频进入上下文后需要新的密度度量（像素-信息比、视觉 token 化质量）。(4) 反思权重自适应机制的长期验证——目前仅是 30 天窗口启发式，需要跨多用户工作流的大规模 A/B。(5) BrowseComp-ZH 上 GA 0.60 vs 人类基线的差距表明多跳推理的'推理模式压缩'还有空间，可以把多跳推理链本身也固化为可重用模板（meta-SOP）。(6) 端到端的执行权限学习：让 GA 在用户授权下自动建议'最小必要权限集'以平衡安全与能力。

复现评估整体良好但有挑战。开源情况：项目地址 https://github.com/lsdefine/GenericAgent，作者隶属 Advantage AI Agent Lab (A3 Lab)，由深圳 Aquaintelling Technology 与复旦大学联合实验室产出（论文 § 8 列出完整作者贡献），代码已发布。数据：所有 benchmark 均为公开的——SOP-Bench [23]、Lifelong AgentBench [9]、RealFin-Benchmark [24]、LoCoMo [25]、WebCanvas [26]、BrowseComp-ZH [27]；案例 B1-B5 来自用户授权会话但已匿名化。算力要求：核心模型是 Claude Sonnet 4.6 / Claude Opus 4.6 / MiniMax M2.7 / GPT-5.4 等商用 API（API 调用成本可估算），不需要自训练；OpenClaw 530k 行代码对比表明 GA 的部署资源需求极低。难度：中等——核心 3300 行代码（Agent Loop 92 行）相对友好，论文给出了四阶段压缩的具体阈值（表 1：code_run 10K chars、web_scan HTML 35K、file_read 1280/行 20K、压缩窗口 800 chars、消息淘汰到 60% 预算、占位符豁免 10 条等）和公式（$CH = \sum \text{len}(m)$, $B = \alpha \cdot W_{\text{tokens}}$, $\alpha \approx 3$；评分 $S(t) = w_b B + w_d D + w_u U + w_i I$）；复现主要难点在于(1) web_scan 的 DOM 剪枝算法细节（论文描述较粗略：'clones DOM, computes per-element visibility, classifies regions through overlay and partition analysis'），可能需要查看源码；(2) 自进化的'有意义的里程碑'触发条件未给出精确算法，需要根据案例 A3 的轨迹反推；(3) BrowseComp-ZH 等中文任务需要本地化处理（LLM-judge 提示工程）。整体而言，复现一个简化版（仅四机制核心 + 单一 benchmark）应当可在 1-2 周内完成；复现全部 5 维度评估并匹配论文数字估计需要 1-2 个月。