一句话看懂：arXiv 2026 年 10 月 9 日发布的一篇 cs.AI 论文，把 LLM Agent 每次会话固定加载的 AGENTS.md 等上下文文件建模为“容量化组合问题”，并指出不断追加指令可能让净收益越来越差。该研究目前仅为论文摘要，尚无产品落地信息。
事件核心：发生了什么
这篇论文关注一个很具体的工程现象：LLM Agent 在每轮会话开始时会加载一份固定上下文文件，例如 AGENTS.md。文件里的每个 token 在后续每一轮都会重复计费，文件变大后还可能拖累模型表现。但现实中，人工或自动维护者往往采用“追加”的方式扩充这类文件。
作者将上下文维护形式化为“容量化组合问题”：指令占用有限注意力容量，新增一条指令不会提升其他指令的遵循度，保留的指令则带来按会话计算的固定成本。摘要称，论文证明了一个与候选指令数量无关的最优文件规模上界，并说明把所有单独有价值的指令都追加进去，其净收益可能远差于选择一个最优子集。此外，token 预算也能限制低估 token 价格时的损失。论文还讨论了从历史会话中学习增删指令，并指出反馈存在删失：已加载指令的好处与坏处可被观察，而未加载指令只有在“缺失导致损害”时才产生反馈。
为什么重要
AGENTS.md、系统提示词、工具说明等常驻上下文，正在成为 LLM Agent 开发中的隐性成本中心。每一轮推理都要为这些 token 付费，同时它们还会挤占模型的注意力容量。如果论文结论成立，那么“把能想到的规则都加进去”就不是稳妥策略，反而可能让真正重要的指令被稀释。
对行业而言，这提供了一个从“提示词写作经验”走向“上下文资源分配”的视角：上下文不是免费的静态配置，而是有容量、有成本、有反馈的学习对象。它也可能影响 Agent 框架、可观测性工具和上下文管理 API 的设计方向。
对用户/开发者/创作者的影响
对开发者来说，短期可操作的建议不是照搬论文结论，而是检查自己的 Agent 配置文件：是否把低频规则长期常驻？是否每次会话都重复加载大量无关说明？论文摘要提到，从真实上下文文件中抽取的无关规则会降低语言模型的遵循度，这说明精简可能有直接收益。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对创作者和企业采购者而言，在评估 Agent 产品或自建方案时，可以关注其是否提供上下文版本管理、按需检索、指令淘汰和效果回测能力。如果上下文维护仍靠手工追加，长期成本与行为退化风险都更难控制。目前公开信息显示，该研究尚未对应任何已发布工具或 API。
值得关注的后续
一是论文全文是否给出完整的实验设置、数据集与可复现结果，尤其是“无关规则降低遵循度”的评测条件。二是社区是否会据此形成上下文裁剪、指令增删或 token 预算分配的开源实现。三是主流 Agent 框架是否会引入上下文容量管理、反馈删失处理和人工审核预算等机制。
来源：arXiv cs.AI
