SKILL.state — 用結構化狀態取代對話歷史的 Agent 架構
- URL: https://x.com/LanLance24/status/2094627693279240244
- Date Saved: 2026-09-02
- Source: X (LanLance24, quote-tweeting DAIR.AI)
- Tags: ai-engineering
- Paper: https://arxiv.org/abs/2608.26263
Summary
LanLance（美團 Server R&D）引用 DAIR.AI 介紹的 Google 論文，討論 Agent 長任務架構的核心問題與解法。
論文核心 — SKILL.state
- 問題：長時間運行的 Agent 把所有 observation、action、reasoning trace 不斷追加到對話歷史中，導致 context 不斷膨脹、模型逐漸被過期資訊「毒化」
- 解法：用顯式的可變執行狀態（explicit mutable execution state）取代 append-only 歷史
- 每一步模型只看到：immutable skill specification + 當前結構化 state + 最新 observation
- 中間推理在產生有效 state 更新後即丟棄，prompt 不再隨運行增長
- 上下文增長從 O(T²) 降到 O(T)，任務準確性不降反升，token 消耗下降
LanLance 的工程延伸觀點
- 對話歷史不應成為 Agent 的 State — 重要的不是過去發生了什麼，而是環境當前狀態是什麼。直接維護結構化 Canonical State 比不斷做上下文壓縮更乾淨
- Storage Plane 與 Context Plane 應分離 — 完整對話 Trace 作為 WAL/Event Log 保留（用於評測、重放、Debug），Agent 默認只從當前 State 運行，需要歷史時按需檢索
- Agent 要做到 Long-Horizon 就需要成為原子的 Runtime，而不是一場無限延長的聊天
與 Hermes 的相關性
這個架構思路與 Hermes 的 skill + memory + session_search 設計有異曲同工之處：skill 是 immutable specification，memory 是 canonical state，session_search 是按需檢索歷史。