Stateless Language Agents 论文
将长期研究状态放在外部框架中，由无状态代理反复接收重构上下文。
为什么重要
为长周期 LLM Agent 研究系统提供了减少历史膨胀和重复实验的设计思路。
阅读原文arxiv.org
AI 解读（根据原文生成）
论文提出 Stateless Language Agents（SLAs），用于扩展长周期自动化研究。作者认为长期运行的 LLM 代理会因增长的历史、重复工作和无效实验而浪费推理预算，并将问题归因于研究状态存放位置和下一步尝试的决策方式。SLA 采用“有状态搜索、无状态代理”：由 harness 维护候选方案和测量结果，每次调用为不同角色重构上下文；Advisor 基于汇总证据分配实验给并行 Workers。论文在软件工程、内核优化和算法设计上与三个近期框架比较，并提供代码仓库。
要点（AI 据原文整理，数字均已与原文核对）
- SLA 在每个任务上都取得了最佳最终结果。
- SLA reaches the strongest kernel baseline's final performance with over 84% fewer tokens.
- Advisor consumes less than 0.6% of tokens.
- 评估预算最高达到 one billion tokens。
