腾讯技术工程团队提出通过上下文卸载和 Mermaid 任务画布的组合方案，解决 Agent 在长任务中因上下文信息冗余导致的性能下降问题，最高节省 61% Token 并提升任务通过率。
📝 详细摘要
这是一篇对腾讯技术工程团队文章的深度解读 Thread。文章核心问题是 Agent 在长任务执行过程中，不断产生的中间信息（网页正文、搜索结果、日志、代码片段等）会堆满上下文，导致 Token 成本上升、Agent 被旧信息干扰、忘记目标或混淆子任务。作者提出的解决方案是「短期记忆压缩 = 上下文卸载 + Mermaid 任务画布」。上下文卸载将完整工具结果保存到外部文件系统，上下文只保留摘要和索引；Mermaid 任务画布将离散的任务步骤组织成带状态、摘要和时间戳的结构化任务地图，使 Agent 能快速理解任务进度和依赖关系。方案采用四层分层记忆架构：原始原文、工具级 JSONL 摘要、任务级 MMD 画布、任务级 metadata。实验结果显示，在网页搜索任务中最高节省约 61% Token，代码修复任务中节省约 31%-33% Token，复杂长任务通过率从 20% 提升到 30%-35%。消融实验证明 Mermaid 画布是关键组件。
📊 文章信息
AI 初评：85
来源：ginobefun(@hongming731)
作者：ginobefun
分类：人工智能
语言：中文
阅读时间：7 分钟
字数：1609
标签： Agent Memory, 上下文卸载, Mermaid, Token 优化, 长任务