长程任务中，Agent的上下文正在以不可逆的速度膨胀——每一步推理、每一次工具调用、每一条观察结果，都在累积。当这些"中间态"堆积到临界点，模型开始出现成本飙升、幻觉频发、准确率断崖式下跌。
这是所有长程Agent面临的根本矛盾，却长期被行业忽视。
核心突破：五个原子操作，重构Agent工作记忆
Rui Ye团队提出了Context-ReAct范式，将上下文管理从被动存储升级为主动编排。五个原子操作：
Skip：跳过无关内容
Compress：摘要已解决的推理路径
Rollback：回溯到早期状态
Snippet：提取关键证据片段
Delete：丢弃无用分支
这篇论文的关键理论贡献在于：证明了Compress操作具有表达完备性，配合其他四个操作，Agent能以最小信息损失换取最大上下文精简。
数据说话：超越Tongyi DeepResearch近20个百分点
基于Qwen3-30B-A3B微调的LongSeeker，在BrowseComp上达到61.5%，BrowseComp-ZH达62.5%，分别超越Tongyi DeepResearch 18.3和15.8个百分点。
提升幅度接近20%，但模型参数并未增加——这说明问题的本质不在模型规模，而在记忆管理策略。
观点：Agent的下半场，争夺的是"注意力主权"
Context-ReAct的思路揭示了一个深层趋势：当模型能力趋于同质化，上下文的智能调度将成为新的核心竞争力。谁能更聪明地"忘记"，谁就能走得更远。
附：隐私与具身AI的耦合危机
同天另一篇被ICML 2026接收的论文（arXiv:2605.05017）则将矛头指向具身AI（EAI）的隐私问题。当前EAI系统将"感知-规划-交互"各环节割裂优化，在高频部署场景下会造成系统性的隐私泄露风险——且泄露一旦发生，几乎不可逆。
作者提出的SPINE框架，将隐私视为贯穿整个生命周期的动态控制信号，而非某个模块的局部补丁。当AI从云端走向家庭空间，隐私不再是"加分项"，而是生死线。
