TACO: 让 CLI Agent 在自主迭代中学会丢掉无用上下文

• arXiv 论文：http://arxiv.org/abs/2604.19572
• Hugging Face Daily Paper：https://huggingface.co/papers/2604.19572
• GitHub 开源代码：https://github.com/multimodal-art-projection/TACO

随着代码智能从 code foundation models 走向 autonomous coding agents，CLI/terminal 正在成为智能体进入真实软件工程工作流的重要入口。

近期一篇关于 Code Intelligence 的综述也指出（arXiv:2511.18538），真实部署中的代码智能不仅要会生成代码，还要能处理大代码库上下文、开发工具链集成和复杂工作流。也正是在这种背景下，CLI Agent 被用于更长程、更复杂的终端任务，一个新的瓶颈开始显现：问题不一定是上下文窗口不够大，而是上下文在多轮交互中变得越来越 “脏”。但 terminal output 又不能被简单删除。

错误信息、文件路径、测试名称、build target、依赖版本等关键线索，往往就藏在冗长日志里。

为了解决这一问题，团队提出了 TACO（Terminal Agent Compression），一个无需训练、即插即用的终端智能体自进化观测压缩框架。TACO 让智能体从真实交互轨迹中学习 compression rules，在过滤低价值 terminal output 的同时，尽量保留后续决策所需的关键行动线索。

实验显示，TACO 在 TerminalBench 1.0/2.0 以及多个 terminal-related benchmark 上同时提升了任务成功率和 token 效率。

长程 CLI Agent 不是记不下，而是上下文越来越脏

CLI Agent 每执行一步命令，都会把 terminal output 带入下一轮决策。任务越长，安装日志、编译输出、测试结果、构建 trace 等低价值环境反馈就越容易堆满上下文，淹没真正关键的行动线索。

我们在 TerminalBench 2.0 的轨迹中验证了这一点。图 1 显示，在 Qwen3-Coder-480B、DeepSeek-V3.2 和 MiniMax-M2.5 的运行轨迹里，raw prompt 中有相当一部分内容可以被人工抽取为低价值冗余，比例达到 24.6%–44.1%。这说明，长上下文并不总是意味着更多有效信息，很多时候只是更多噪声。

但 terminal output 又不能被粗暴删除。错误信息、文件路径、命令参数、测试名称、build target、依赖版本、二进制符号，往往就藏在这些日志里。全量保留会让上下文越来越脏，简单压缩又可能删掉后续决策所需的关键线索。

这也说明，解决办法不能只是 “把 terminal output 变短”。

因此，terminal observation compression 的难点不只是 “压短”，而是判断：哪些内容可以安全过滤，哪些信息必须保留。更麻烦的是，这个边界并不固定。同样是编译输出，在一个任务里可能只是冗余日志，在另一个任务里却可能包含关键编译参数；同样是安装日志，在普通任务里可以大量过滤，但在依赖冲突任务里，版本号和错误信息可能就是下一步决策依据。

为此，我们比较了三类静态压缩方法，基础模型选择的是 Qwen3-Coder-480B：

• Seed Rules：少量人工预设规则，例如压缩 pip install、apt-get、git clone 等常见高输出命令。 
• High-Quality Rules：更多人工整理的高质量规则，覆盖范围更广，但仍然是固定规则。 
• LLM Summarize：直接让 LLM 对 terminal output 做摘要压缩。 

如下图所示，静态方法虽然可以降低 token 开销，但性能并不稳定。LLM Summarize 的 token cost 最低，但准确率反而明显下降；TACO 的 token cost 不是最低，却取得了最高的准确率和更小的方差。这说明，terminal observation compression 的关键不是 “压得越狠越好”，而是能否在减少低价值输出的同时，稳定保留后续决策所需的关键线索。

相比之下，TACO 的关键不是 “压得更狠”，而是 self-evolving：它会在真实交互轨迹中观察哪些规则有效、哪些规则可能压缩过度，并把可复用的规则沉淀到全局规则池中。也就是说，TACO 不是用一套固定策略压所有输出，而是让 Agent 在不同工作流中逐步学会：哪些观察可以安全过滤，哪些行动线索必须保留。

TACO：让 Terminal Agent 学会过滤低价值观察

TACO：一个面向终端智能体的、即插即用的自进化观测上下文压缩框架。

TACO 的核心思路彻底抛弃了 “人工预设截断” 或 “LLM 实时总结” 的传统路径，而是构建了一个轻量级的自进化规则引擎。在 TACO 中，所谓的 “规则” 并非模糊的自然语言提示词，而是由触发条件、保留模式和剔除模式组成的函数。

为了让这些规则能够动态适应极度异构的终端环境，TACO 设计了一套 “任务内动态纠偏、全局跨域沉淀” 的闭环流转机制。具体而言，整个自我演化过程包含以下三个核心阶段：

第一，Terminal Output Compression。

在每个交互步骤中，agent 执行命令并得到原始 terminal output。TACO 会根据当前任务的 active rules 对输出进行压缩。对于包含显式错误、异常、失败信号或关键诊断信息的输出，TACO 采取保守策略，避免过度压缩。对于非关键、重复性强的输出，例如安装进度、编译流水、下载日志、重复测试信息，TACO 会通过规则过滤掉低价值部分。

第二，Intra-Task Rule Set Evolution。

不同任务会产生不同类型的终端输出。固定规则很难覆盖所有情况。因此，当 TACO 遇到某类当前规则无法处理的高输出命令时，会生成新的压缩规则，并加入当前任务的 active rule set。

同时，TACO 也会关注压缩是否过度。比如，agent 后续重新请求完整输出、重复执行同一命令，或者表现出缺失信息的行为，都会被视作潜在的 over-compression signal。此时，TACO 会降低相关规则的使用，并生成更保守的替代规则。

第三，Global Rule Pool Evolution。

很多终端压缩模式是跨任务复用的。例如，pip install 的下载进度通常可以压缩，apt-get 的 Unpacking / Setting up 行通常信息密度较低，git clone 的 transfer progress 大多是噪声，而编译输出中的 error、warning、undefined reference 必须保留。

TACO 会把任务中验证有效的规则写回 Global Rule Pool。后续任务开始时，TACO 会从全局规则池中检索相关规则，用来初始化当前任务的 active rules。随着更多任务被执行，Global Rule Pool 会不断积累高质量压缩知识。

实验：不只是省 token，也提升任务成功率

TACO 被评估在 TerminalBench 1.0、TerminalBench 2.0 以及多个 terminal-related benchmark 上，包括 SWE-Bench Lite、CompileBench、DevEval 和 CRUST-Bench。

在 TerminalBench 上，将 TACO 插入 Terminus-2 后，多种强模型都获得了稳定提升。

这些提升说明，终端观测压缩并不是单纯节省上下文空间。过滤低价值输出后，模型反而更容易关注任务相关信息，从而提升长程任务完成率。

相同 token budget 下，TACO 仍然更强

一个自然疑问是：TACO 的提升是否只是因为 agent 运行了更多步骤？

为此，论文进一步比较了固定 token budget 下 Baseline 和 TACO 的准确率。结果显示，在相同 token 消耗下，TACO 在六个模型上都获得了更高准确率。

这说明 TACO 并不是简单通过增加交互开销换取性能，而是在相同上下文预算下提高了有效信息密度。

这个结果也回应了一个更实际的问题：对于长程 agent 来说，真正重要的不只是 “总 token 少了多少”，而是每个 token 里有多少信息真正服务于下一步决策。

跨 Benchmark 泛化：规则不是只适配 TerminalBench

除了 TerminalBench，TACO 还在多个 terminal-related benchmark 上进行了验证。

可以看到，在 SWE-Bench Lite、DevEval、CRUST-Bench 等任务上，TACO 在提升准确率的同时降低了总 token 消耗；在 CompileBench 上，准确率保持不变，但 token 消耗明显下降。

这说明 TACO 学到的规则不是只针对某一个 benchmark 的特殊技巧，而是在不同 terminal workflow 中捕获了可复用的压缩模式。

Self-evolving 如何判断已经稳定？

自进化方法还会带来一个实际问题：如果系统一直生成和更新规则，什么时候才算收敛？

TACO 没有直接用测试集准确率来判断是否停止，因为这会引入评测泄露。我们转而观察 Global Rule Pool 中 Top-K 规则的稳定性：如果连续多轮演化后，排名靠前的规则大部分保持不变，说明系统已经学到一组稳定可复用的压缩规则。

具体来说，论文使用 Retention 衡量相邻两轮中 Top-K 规则的重合比例。Retention 越高，说明有效规则前沿越稳定。

图中上半部分显示，三个模型的 Top-30 rule retention 在多轮演化后逐渐超过 90%；下半部分显示，当 retention 稳定后，任务准确率的 rolling standard deviation 也明显下降。也就是说，规则池稳定和性能稳定是同步出现的。因此，Retention 可以作为 TACO 的实用收敛信号：当高价值规则集合基本不再变化时，继续自进化的收益就会变小。

Case Study

上面的实验说明 TACO 能提升准确率和 token 效率。接下来更重要的问题是：TACO 到底删掉了什么，又保留了什么？下面通过三个真实轨迹片段来看它的压缩行为。

10,000 字符的安装日志，压缩到 73 字符

在 TerminalBench 2.0 的 adaptive-rejection-sampler 任务中，agent 需要安装 R runtime，于是执行：apt-get install -y r-base

原始输出超过 10,000 字符，包含大量重复的 Unpacking 和 Setting up 行。对后续决策来说，agent 并不需要完整阅读所有安装过程。它真正需要知道的是：安装是否还在进行、有没有报错、最终是否成功。

TACO 在任务中演化出针对这类输出的规则，将 10,071 字符的输出压缩到 73 字符，只保留当前安装状态。

关键不在于这个数字本身，而在于：TACO 没有粗暴截断输出，而是根据命令类型和任务状态识别出 “进度噪声” 和 “状态信号” 的区别。

更重要的是：保留任务连续性的关键线索

另一个例子来自 sqlite-with-gcov 任务。

在这个任务中，agent 需要编译 SQLite 并启用 gcov 覆盖率。原始 make 输出中有大量文件复制列表和长编译命令。TACO 会删除冗长的复制列表，但保留 -fprofile-arcs、-ftest-coverage 等覆盖率相关编译参数。

这很关键。因为对这个任务来说，这些编译 flag 是判断 gcov 是否正确启用的重要证据。普通截断策略很可能会把它们切掉，而 TACO 的规则式过滤可以保留这些行动线索。

在二进制逆向任务 vulnerable-secret 中，TACO 还演化出针对 objdump 输出的规则：过滤重复的 hex dump 行，同时保留 call 指令、符号标签和关键地址信息。这些信息正是 agent 追踪二进制控制流所需要的。

这说明 TACO 并不是简单地把输出变短，而是把终端输出变得更像 “下一步决策所需的 observation”。

总结

TACO 提供了一种无需训练的自进化观测压缩方案，让 Agent 从真实轨迹中学习哪些输出可以安全过滤、哪些行动线索必须保留。

让 Agent 学会丢掉无效观察，才能让它在长程任务中走得更稳。

文章来自于"机器之心"，作者 "Jincheng Ren、Siwei Wu、Yizhi Li"。