Protocol-Preserving Context Trimming for Agentic Workflows: Benefits, Failure Regimes, and Budget Guardrails
作者: Harish Gaggar
分类: cs.SE, cs.AI
发布日期: 2026-09-15
备注: 13 Pages, 4 Figures
💡 一句话要点
提出协议保留的上下文修剪以提高多步骤代理工作流的可靠性
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 代理系统 上下文修剪 多步骤工作流 协议遵循 效率提升 自适应预算 任务成功率
📋 核心要点
- 现有的代理LLM系统在上下文增长方面存在效率低下和计算成本增加的问题。
- 论文提出了协议保留的上下文修剪方法，旨在在多步骤工作流中提高任务成功率和协议遵循性。
- 实验结果显示，协议感知修剪和自适应预算保护显著提高了任务成功率，分别达到92.2%和96.0%。
📝 摘要（中文）
代理大型语言模型（LLM）系统依赖于长时间的交互历史来保留指令、工具状态、中间决策和未解决的依赖关系，但不受限制的上下文增长会增加计算成本并降低效率。本研究评估了协议保留的上下文修剪作为一种可靠性受限的方法，适用于多步骤代理工作流。比较了五种修剪策略，包括基于最近性、相关性、摘要、协议感知修剪和自适应预算保护，结果显示协议感知修剪和自适应预算保护在任务成功率和协议遵循方面显著优于传统方法。这些发现表明，可靠的上下文减少更依赖于保留协议关键状态，而非最大化令牌移除。
🔬 方法详解
问题定义：本论文旨在解决代理LLM系统中上下文增长带来的计算成本和效率问题。现有方法在任务成功率和协议遵循性方面表现不佳，尤其是在上下文过长时。
核心思路：提出协议保留的上下文修剪方法，通过保留关键的协议状态来提高多步骤工作流的可靠性和效率，而不是单纯减少令牌数量。
技术框架：整体架构包括五种修剪策略的比较：基于最近性、相关性、摘要、协议感知修剪和自适应预算保护。每种策略在不同的上下文保留水平和工作流复杂性下进行评估。
关键创新：最重要的创新在于协议感知修剪和自适应预算保护的提出，这些方法在保持协议关键状态的同时，显著提高了任务成功率和协议遵循性。
关键设计：在实验中，设置了不同的上下文保留预算（如25%和50%），并评估了任务成功率、协议遵循性、有效工具调用、令牌节省和延迟减少等指标。
🖼️ 关键图片
📊 实验亮点
实验结果显示，传统策略的任务成功率为66.6%-77.3%，而协议感知修剪提高至92.2%，自适应预算保护更是达到96.0%。同时，令牌节省率达56.0%，并且在预算限制下，成功完成的几率显著提高，表明新方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括智能助手、自动化决策系统和复杂任务管理等。通过提高多步骤工作流的可靠性和效率，能够在实际应用中显著提升用户体验和系统性能，尤其是在需要长时间交互的场景中。
📄 摘要（原文）
Agentic large language model (LLM) systems rely on long interaction histories to preserve instructions, tool states, intermediate decisions, and unresolved dependencies, but unrestricted context growth increases computational cost and can reduce efficiency. This study evaluates protocol-preserving context trimming as a reliability-constrained approach for multi-step agentic workflows. Five trimming strategies - recency-based, relevance-based, summarization, protocol-aware trimming, and adaptive budget guardrails - were compared across retained-context levels and workflow-complexity classes using task success, protocol adherence, valid tool calls, token savings, latency reduction, cascading failures, and critical context thresholds. Conventional strategies achieved about 60% mean token savings but lower task success (66.6-77.3%) and protocol adherence (85.5-88.6%). Protocol-aware trimming improved task success to 92.2%, while adaptive guardrails achieved 96.0% task success, 96.3% protocol adherence, and 1.0% cascading failure with 56.0% mean token savings. Retained-context budgets of 25% or less increased failure odds 10.92-fold relative to budgets of 50% or more (p < 0.001). Protocol-aware trimming produced 5.24-fold greater odds of successful completion than conventional methods under aggressive budgets, while adaptive guardrails further increased success odds 2.11-fold versus fixed protocol-aware trimming (p < 0.001). Critical context thresholds also increased with workflow complexity. These findings indicate that reliable context reduction depends more on preserving protocol-critical state than on maximizing token removal, and that adaptive guardrails can improve efficiency, scalability, and reliability in long-horizon agentic systems.