正在补充深度解读，当前内容可以先阅读
论文解决了什么问题
长任务中的上下文选择、压缩和多智能体共享通常由外部harness硬编码，成本高且难以学习。
核心方法
把上下文表示为文件，允许模型直接读写；同时支持自然语言技能优化、在线强化学习，以及面向服务端的Suffix Cache Reuse。
实验结论
- BrowseComp-Plus准确率提升11.4%且FLOPs减少21.5%；12小时EdgeBench得分高5%且FLOPs少59%；在线RL使Qwen3.5-9B提升47.6%。
- 模型不再只是消费上下文，而是原生维护上下文这一可持久化状态。
适合谁阅读
上下文管理与Agent harness研究者长时程智能体工程团队上下文工程长期智能体强化学习
可核验的原论文来源和作者
- 作者
- Rulin Shao, Shannon Zejiang Shen, Junjie Oscar Yin, Yuetai Li, Minheng Wang, Hamish Ivison, Radha Poovendran, Nathan Lambert, Teng Xiao, Mike Lewis, Wen-tau Yih, Luke Zettlemoyer, Pang Wei Koh
- 来源
- arXiv
- 论文 ID
- 2609.37725