RunningTab框架为LLM代理引入环境侧标签页追踪任务进度
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
LLM代理通过直接语料库交互从工作区文件生成交付物时，常因上下文窗口限制而遗漏已读、待读或需求内容。RunningTab框架为该交互引入环境侧标签页，由环境与代理共同维护任务记录：代理添加需求，环境记录已读文件摘录及未打开候选文件。代理可将需求与匹配内容对照解决或暂置，若在需求未清时尝试结束，将触发完成检查。在三个基准及三种LLM测试中，该框架持续优于普通交互及模型内记录基线，其标签页通常能保留交付物所需值。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载多文件交互的上下文遗漏痛点
知识工作常需从工作区现有文件产出新交付物，LLM代理正接手此类任务。代理能通过终端直接搜索和阅读文件，无需索引，此方式被称为直接工作区交互。然而，仅触及文件只完成一半任务：上下文窗口无法留存任务需求、已读内容及已列出但未打开的文件，导致代理可能提取了某数据却未将其编入最终报告，造成交付物残缺。
环境侧标签页的协同记录机制
为解决上述遗漏，RunningTab框架配备环境侧标签页，由环境与代理共同维护每条任务的记录。代理负责添加任务需求，环境则记录每个已读文件的摘录与来源，以及已列出但未开启的文件作为候选。代理可将各需求与最佳匹配摘录及顶级未开候选并列查看，将其与匹配内容对照解决，或附理由暂置。若代理在需求仍开放时试图结束，将收到包含未清需求的完成检查。
基准测试表现与核心优势
研究在三个基准上使用三种LLM对RunningTab进行验证。结果表明，其持续超越普通的直接工作区交互，以及将记录保留在模型内部的基线方案。核心优势在于，一旦相关值被查看，其标签页通常能留存交付物所需的这些值，从而有效防止关键信息在长上下文交互中丢失，保障交付物的完整性。
为什么值得看
解决LLM代理处理多文件时因上下文遗忘导致交付物遗漏的痛点，提供环境侧追踪新范式。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。