Berkeley AI Research 提出 ABBEL：用“信念状态”替代长上下文摘要，改善长程智能体交互
Berkeley AI Research 博客介绍 ABBEL 框架，针对长程任务中 LLM 上下文无法无限扩展的问题。传统做法是递归摘要（上下文压缩），可生成简洁可解释的上下文，但在高质量数据稀缺的人类协助场景（如协作式代码生成）中性能代价显著。ABBEL 将摘要的信息内容以自然语言“信念状态”形式隔离并加以监督，用信念替代完整交互历史作为智能体工作上下文，并通过信念评分监督每个信念状态的内容。文中提到 Cursor 的 composer 2.5 在训练中使用压缩，Grandcode 虽采用高效注意力模型仍需要上下文摘要；同时指出模型服务方仍建议用户避免在任务中途使用压缩。
为什么值得看：企业负责人可关注：长周期 AI 编程与办公自动化中，上下文管理直接影响任务成功率与成本；ABBEL 提出的信念状态监督思路，可能影响未来智能体产品的上下文压缩策略与可靠性。但该信息来自研究博客，尚无产品化、成本与部署细节，需进一步核实。