上下文工程：为什么你的 AI Agent 总是“断片”？
上下文工程：为什么你的 AI Agent 总是“断片”？AI Agent 在处理复杂任务时经常“掉链子”。你刚告诉它的信息，它很快就忘了。给它的工具越多，它反而越混乱。这不是个例。
来自主题: AI技术研报
9506 点击 2025-11-18 16:11
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
AI Agent 在处理复杂任务时经常“掉链子”。你刚告诉它的信息，它很快就忘了。给它的工具越多，它反而越混乱。这不是个例。
当我们谈论大型语言模型（LLM）的"强化学习"（RL）时，我们在谈论什么？从去年至今，RL可以说是当前AI领域最炙手可热的词汇。
为了同时解决知识的实时性和推理的复杂性这两大挑战，搜索智能体（Search Agent）应运而生。它与 RAG 的核心区别在于，Search Agent 能够通过与实时搜索引擎进行多轮交互来分解并执行复杂任务。这种能力在人物画像构建，偏好搜索等任务中至关重要，因为它能模拟人类专家进行深度、实时的资料挖掘。
2025 年，AI 产业正在经历一场关键转折。
大家好，我是Jomy，是智跃Zleap的CEO，也是Zleap产品和技术的主要设计者。此前在报道中，我曾粗略介绍过Zleap产品背后的技术：一个能帮助CEO自动整理、总结海量企业内部信息的智能Agent。今天，我要正式为大家介绍驱动这个Agent的底层技术：SAG。
如何构建一个真正意义上的“自主代理”（Agent），而不是一个“带LLM的高级工作流”？ 让钢铁侠中的“贾维斯”（J.A.R.V.I.S.）真正来到现实，不仅能对话，还能调动资源、控制机械、在复杂战局中自主执行多步任务。
数据处理显然就是打工人最核心的痛点之一，哪个职场“牛马”没有被工作中几百到上万条繁杂的Excel数据为难过呢？过程中不仅要从多种数据源粘贴数据，还要处理图片、文字等非结构化内容……
来⾃阿⾥巴巴夸克、北京⼤学、中⼭⼤学的研究者提出了⼀种新的解决⽅案：搜索自博弈 Search Self-play（SSP）⸺⼀种⾯向深度搜索 Agent 的⾃我博弈训练范式。其核⼼思路是：让⼀个模型同时扮演两个⻆⾊⸺「出题者」和「解题者」，它们在对抗训练中共同进化，使训练难度随着模型能⼒动态提升，最终形成⼀个⽆需⼈⼯标注的动态博弈⾃我进化过程。
糟糕！现在Agent也会这招了：原神，启动！咳咳，这其实是字节最新手搓出来的原神Agent——Lumine。不仅在《原神》里玩得很6，跑图开荒以及动辄几个小时的长主线任务，Lumine都能自己搞定，而且水平还不菜。
昨天测试了一款很拉跨的 AIGC 类产品，再也不用了。 我不清楚，为什么有些生成类的产品还在可劲强调生成能力，而不花心思做修改和编辑的体验。 一个项目做到九成，我们脑子里经常会冒出个错觉，好像离终点只