Ajanın hafıza sorununa iki yeni cevap: Tencent ContextPilot'u açık kaynak yaptı

Ajan sistemlerinin en sinsi sorunu görevin uzaması: her araç çağrısı, her gözlem ve her ara akıl yürütme konuşma geçmişine eklendikçe bağlam şişiyor, model yavaşlıyor ve bir noktada kendi geçmişi tarafından zehirlenmeye başlıyor. Bu hafta bu soruna iki farklı cevap öne çıktı.

ContextPilot: bağlam yönetimini öğrenen model

Tencent'in açık kaynak yayımladığı ContextPilot, bağlam yönetimini modelin kendisine öğretiyor. Arama, silme ve özetleme gibi klasik araçların yanına planlama, uzun süreli hafıza ve yumuşak bağlam boşaltma ekleniyor; model çok turlu etkileşim boyunca dağınık bilgiyi toplayıp çalışma bağlamını küçük tutmayı pekiştirmeli öğrenmeyle öğreniyor. İki eğitim inceliği dikkat çekiyor: keşif, bağlam düzenleme kararları gibi hassas anlara odaklanıyor (bağlama duyarlı kısmi açılım) ve ödül, tüm yörüngeye eşit dağıtılmak yerine ara anlık görüntülerin aşağı akış sonuçlarına göre ince taneli veriliyor. Çerçeve InfBench, NovelQA, LongMemEval ve BrowseComp+ üzerinde daha küçük çalışma bağlamıyla daha güçlü sonuç bildiriyor; Qwen3-8B ve 14B için eğitim reçeteleri paylaşıldı.

SKILL.state: geçmişi biriktirme, durumu güncelle

EMNLP'ye kabul edilen SKILL.state çalışması ise daha köktenci: konuşma geçmişini hiç biriktirme. Model her adımda yalnızca üç girdi alıyor: görev tanımı, yapılandırılmış güncel durum ve son gözlem. Ara akıl yürütme, durum güncellemesi üretildikten hemen sonra atılıyor. Sonuç: uzun görevlerde hem doğruluk artıyor hem de toplam jeton tüketimi ciddi düşüyor.

İki çalışmanın ortak dersi net: ajan yarışında fark artık modelin büyüklüğünde değil, bağlamın ne kadar disiplinli yönetildiğinde. Bu hafta yazdığımız Uber yazılım fabrikası ve AGENTS.md tartışmalarıyla aynı çizgide: fazla bilgi artık yardım değil, yük. Aynı dersi kendi yayın hattımıza da uyguladık: yapay zeka son okuma denetçimize artık ham HTML yerine düz metin gidiyor ve her bulgu için metinden kanıt şartı var.