📖标题：ACE: Pluggable Adaptive Context Elasticizer across Agents
🌐来源：arXiv, 2606.31564v1

🛎️文章简介
🔸研究问题：如何解决智能体长轨迹任务中现有上下文管理方法不可逆且不灵活导致的信息丢失问题？
🔸主要贡献：论文提出即插即用的自适应上下文弹性器ACE，通过无损存储与动态编排实现历史信息的可逆弹性调用。

📝重点思路
🔸设计双层解耦架构，包含无损消息维护层存储原始消息与压缩摘要，以及上下文编排层构建实际输入，确保历史信息永不丢失且可随时恢复。
🔸实施逐步弹性编排机制，利用弹性器根据当前任务状态，将每个历史步骤动态分配为原始、抽象或丢弃三种类型，实现上下文密度的自适应调节。
🔸采用外部包装器形式集成，无需修改原有智能体架构、动作空间或进行额外训练，即可作为插件无缝适配ReAct等多种主流框架。
🔸固定保留最近一步的原始信息，确保智能体始终基于最新且完整的任务状态进行推理，避免状态误判。

🔎分析总结
🔸在GAIA等基准测试中，ACE在GPT-4.1和Gemini模型上均显著优于截断和摘要基线，证明了弹性上下文比固定压缩更有效。
🔸成功适配DeepAgent、WebThinker和MiroFlow三种不同架构，在所有框架上均带来一致的性能提升，验证了其通用性和即插即用特性。
🔸Token长度分析显示ACE输入长度随任务波动而非线性增长，表明其能根据需求灵活召回或丢弃信息，避免了刚性约束带来的性能损失。
🔸消融实验证实Raw、Abs、Drop三种弹性类型缺一不可，任意组合缺失都会导致冗余积累或细节丢失，验证了完整设计的必要性。

💡个人观点
论文打破了上下文管理“一旦压缩不可恢复”的传统范式，通过存储与展示的解耦，将静态的记忆管理转变为动态的注意力分配过程。