HyMem：把规划者和打工人的办公桌分开，长程 Agent 的"信息洪水"有救了

你有没有用 Agent 跑过一个特别长的调研任务？前 10 步还挺清醒，跑到第 40 步就开始鬼打墙——反复搜已经搜过的东西，忘了自己最初要验证什么，最后给你一个似是而非的答案。你去看它的上下文，几万 token 里塞满了网页快照、报错日志、重试记录，而那句最关键的任务约束，早就被淹在第 12 页的某个角落里。

这不是模型变笨了，是上下文的信噪比崩了。中科院的这篇 HyMem（arXiv:2608.15703）把这个问题形式化成了一个很干净的指标，然后给了一个同样干净的解法：别在一个大杂烩上下文里做压缩了，从架构上把规划、执行、深度推理关进不同的房间，只允许"结构化快递"在房间之间传递。

核心摘要

长程 Agent 的痛点不是上下文不够长，而是稀疏的规划信号被高密度的执行痕迹稀释——作者称之为 上下文稀释（context dilution）。HyMem 是一个免训练的推理时框架：Planner 层只维护高层决策上下文，Executor 层在一次性空间里跑工具调用，复杂子任务被丢进隔离推理间（isolated reasoning）单独消化，三层结构化记忆（episode / working / tool）负责跨刷新保持任务连续性。原始观测和中间推理永远进不了 Planner 的上下文。效果上，配 DeepSeek-V4 在 GAIA 拿到 66.7 的平均 Pass@1、Browsecomp-plus 拿到 61.3，分别比最强 baseline 高 6.1 和 4.7 个点；Browsecomp-plus 困难档从 14.0 直接干到 30.0。我的判断：这不是底层创新，但把一个大家都隐约知道的工程直觉做成了有公式、有边界条件、有消融的完整方案，值得长程 Agent 从业者细读。

论文信息

标题：HyMem: Hierarchical Context Management for Long-Horizon Agents via Information Isolation
作者：XinQi Wang、Jinwei Xiao（共同一作）、Sijia Cui、Hongming Zhang、Yanna Wang、Qingyang Zhang、Bo Xu
机构：中国科学院自动化研究所复杂系统认知与决策智能全国重点实验室；中国科学院大学；南京人工智能高等研究院
链接：https://arxiv.org/abs/2608.15703 （2026 年 8 月 16 日提交，v1）

问题动机：压缩是在治水，隔离才是治洪

现有方法处理长上下文基本就两招：压缩（ReSum、AgentFold、MEM1 一类）和外部记忆检索（A-MEM、Mem0、MemOS 一类）。作者的批评挺到位——这两招都是在一个已经混合好的扁平序列上做文章。规划信号和执行噪声早就搅在一起了，压缩会误伤推理链，检索会丢掉时序逻辑，而且分不清哪些是战略哪些是战术。

用作者的数学语言来说，上下文里的信息被切成两类：

\(Z_t = \pi_Z(C_t)\)：规划相关信息——目标、已验证事实、约束、未解决的子目标
\(X_t = \pi_X(C_t)\)：执行层痕迹——原始工具输出、浏览日志、重试、格式残渣、失败尝试

长程任务里 \(|X_t|\) 涨得远比 \(|Z_t|\) 快，于是规划信息密度

\[\rho_t = \frac{|Z_t|}{|C_t|}\]

一路往下掉。这就是上下文稀释。Figure 1（HTML 版没有栅格图，只有文字描述）用 GAIA 上的真实轨迹验证了这个现象：ReAct 的上下文越涨，任务关键信息的位置越靠后、密度越低，Agent 对核心约束的敏感度肉眼可见地衰减。

HyMem 的目标约束写得很有意思，用的是条件互信息：

\[I\big(C_{t+1}^{(p)}; X_t \mid R_t\big) \approx 0\]

翻译成人话：给定结构化返回 \(R_t\) 之后，Planner 的上下文应该几乎不再携带执行痕迹 \(X_t\) 的信息。注意这不是一个可微的训练目标——它纯靠接口设计强制实现：原始执行痕迹物理上就不会被追加进 Planner 的序列。这个想法其实挺漂亮的，把"信息卫生"从模型能力问题变成了架构约束问题。

方法核心：两层两模块，只许快递不许串门

HyMem 框架总览

Figure 2：HyMem 总体架构。(a) Planner 层负责任务分解与迭代规划，内置质量评估；(b) Executor 层接收工具指令，在独立上下文中跑工具循环；(c) 隔离推理模块消化复杂子任务，中间推理痕迹不外泄，只回传精炼结果；(d) 记忆管理模块把历史压缩成 episode / working / tool 三种结构化记忆，再按需注入 Planner 或 Executor 上下文。

整个框架就两个常驻/临时上下文空间加两个模块，动作集合极小——Planner 每步只能出四张牌：

\[\mathcal{A} = \{\langle\text{task}\rangle(d),\ \langle\text{isoReason}\rangle(d),\ \langle\text{fold}\rangle,\ \langle\text{answer}\rangle(\hat{y})\}\]

逐个看。

Planner（唯一常驻）。它的上下文长这样：

\[C_t^{(p)} = \big(P^{(p)}, q, \mathcal{M}_t^{\mathrm{epi}}, \mathcal{M}_t^{\mathrm{wm}}, \mathcal{M}_t^{\mathrm{tool}}, H_t^{(p)}\big)\]

其中 \(H_t^{(p)}\) 只存历史子会话的结构化返回，不存任何原始轨迹。整个任务生命周期里只有它活着，其他空间都是用完即弃。

Executor（用完即弃）。收到工具指令 \(d\) 后开一个新上下文 \(C_{t,0}^{(e)} = (P^{(e)}, d, \mathcal{M}_t^{\mathrm{tool}})\)，跑一个有界的工具循环。关键一步是返回前的相关性蒸馏：\(\tilde{o}_{t,j} = \phi(o_{t,j} \mid d)\)，把导航文本、重复段落、格式残渣、工具报错模板统统剥掉，只留命名实体、日期、数值、来源 ID、证据片段和候选答案。最后打包成固定 schema 的 <results>[findings, evidence, sources, status, gaps]</results> 扔回给 Planner，原始观测当场销毁。

隔离推理模块（isolated reasoning）。这是全文我最看重的部分。碰到需要多跳分析、假设检验、冲突证据调和的子任务，Planner 发 <isoReason>(d)，HyMem 开一个私密推理间，里面可以再调 Executor 取证，但所有中间思考过程永不外泄，只回传 <return>[conclusion, supporting facts, sources, confidence κ, assumptions]</return>，连置信度都标好了。说实话这个设计让我想到人脑的工作方式——你想清楚一件事之后，只会把结论告诉别人，不会把脑子里那半小时的纠结过程倒出来。

结构化记忆与 fold。三个可重写记忆：episode memory 记里程碑和已验证事实，working memory 记当前目标和未解决的坑，tool memory 记有效的工具用法和踩过的坑。fold 操作把三者联合重写：

\[\mathcal{M}_{t+1} = \Phi\big(H_t^{(p)}, H_{\leq t}^{(e)}, H_{\leq t}^{(\mathrm{iso})}, \mathcal{M}_t\big)\]

注入是不对称的：Planner 和隔离推理间拿全部三种记忆，Executor 只拿 tool memory。这个细节很讲究——干活的只需要知道工具怎么用，不需要背整个任务史。

fold 的触发条件也写得很工程化，确定性规则：

\[\mathrm{Trigger}(s_t) = [r_t^{\mathrm{ctx}} \gt 0.99] \lor [n_t^{\mathrm{exec}} \geq 5] \lor [n_t^{\mathrm{fail}} \geq 3] \lor [n_t^{\mathrm{turn}} \geq 8] \lor [n_t^{\mathrm{tool}} \geq 10]\]

上下文占用超 99%、执行器调了 5 次、连续失败 3 次、规划轮数到 8、工具调用到 10——任一命中就 fold。不靠模型自觉，靠规则兜底。

一句话总结这套设计：HyMem 不是在轨迹变长之后去总结它，而是从执行的第一秒起就限制哪些信息有资格进入决策上下文。

实验结果：强基座上很能打，弱基座上露怯

两个 benchmark：GAIA（验证集 165 题中筛 text-only）和 Browsecomp-plus（随机抽 150 题，easy/medium/hard 各 50）。基座用 Qwen3-32B 和 DeepSeek-V4，所有框架的辅助 LLM 统一用 DeepSeek-V4。每个数字至少是三次独立运行的均值。

主实验

基座	框架	GAIA L1	GAIA L2	GAIA L3	GAIA 平均 P@1	BC+ Easy	BC+ Med	BC+ Hard	BC+ 平均 P@1
DeepSeek-V4	无框架裸跑	35.7	27.2	15.8	28.3	14.0	10.0	0.0	8.0
DeepSeek-V4	ReAct	66.6	56.1	36.8	56.6	94.0	62.0	14.0	56.6
DeepSeek-V4	Summary	69.1	45.5	31.6	51.2	78.0	42.0	6.0	42.0
DeepSeek-V4	ReSum	76.2	54.5	47.4	60.6	78.0	46.0	6.0	43.3
DeepSeek-V4	A-MEM	61.9	48.5	26.3	49.6	70.0	34.0	6.0	36.7
DeepSeek-V4	THREAD	42.9	34.8	26.3	35.4	42.0	30.0	8.0	26.7
DeepSeek-V4	HyMem	77.0	65.2	49.1	66.7	90.0	64.0	30.0	61.3
Qwen3-32B	ReAct	19.0	10.6	0.0	11.8	70.0	24.0	2.0	32.0
Qwen3-32B	Summary	30.9	21.2	5.3	22.0	46.0	14.0	2.0	20.6
Qwen3-32B	HyMem	45.2	30.3	15.8	33.0	48.0	24.0	4.0	25.3

几个值得细看的点。

难度越高，HyMem 优势越大。 Browsecomp-plus 困难档从 ReAct 的 14.0 涨到 30.0，翻了一倍多；GAIA Level 3 也从 36.8 涨到 49.1。这跟设计动机完全自洽——上下文隔离在需要持续规划、证据积累、多步验证的任务上最值钱。反过来说，easy 档 HyMem（90.0）反而略输 ReAct（94.0），简单任务上额外的控制结构是纯开销，这很诚实。

GAIA 上最强 baseline 其实是 ReSum（60.6）而不是 ReAct（56.6），摘要里说的"比最强 baseline 高 6.1 个点"是对着 ReSum 算的。说实话我读到这的时候顺手核对了一下，没水分。

Qwen3-32B 的结果是个警示。 GAIA 上 HyMem 从 ReAct 的 11.8 拉到 33.0，很猛；但 Browsecomp-plus 上反而 25.3 输给 ReAct 的 32.0。作者自己也承认：HyMem 的收益依赖基座遵循类型化控制指令、产出可靠结构化返回的能力。小模型连 schema 都填不稳，隔离得再好也白搭。这个结论比主结果本身更有工程价值——上下文工程救不了指令遵循短板。

效率与上下文行为

Figure 3 和 Figure 4（HTML 版同样无栅格图）讲了两件事。一是性能-资源权衡：HyMem 的 token 消耗和工具调用次数与 ReAct、ReSum 同量级，性能提升不是靠无脑堆资源换来的。二是上下文增长曲线：HyMem-Total（含所有临时上下文）照常猛涨，但 Planner 上下文增长缓慢得多——两条曲线的裂口直观证明了执行细节确实被关在临时空间里，只有结构化返回在喂养决策者。

消融实验

配置	BC+ P@1（DeepSeek-V4）	规划置信度	GAIA P@1（Qwen3-32B）	规划置信度
HyMem 完整版	0.6300	0.77	0.3200	0.82
去掉隔离推理	0.5800（降 5.0 个点）	0.68	0.1340（降 18.6 个点）	0.71
去掉记忆管理	0.5400（降 9.0 个点）	0.69	0.1340（降 18.6 个点）	0.70

两个模块都是刚需，但分工清楚：隔离推理保护 Planner 不受子任务推理噪声污染，记忆管理在 fold 之后保住任务连续性。GAIA 上砍掉任何一个都是直接腰斩（32.0 掉到 13.4），这个幅度大得有点吓人，也从侧面说明 Qwen3-32B 上 HyMem 的收益几乎全靠这两个模块撑着。置信度那列也有意思——去掉记忆管理后模型连"自己有多确定"都说不准了。

超参数方面补一笔：Planner 最多 12 轮、Executor 最多 10 轮、隔离推理全程最多 5 次且每次最多 3 步；ReAct 基线给了 100 轮预算。预算设得挺克制的。

我的判断

这篇论文最值钱的地方不是某个模块，而是把"上下文工程"圈里的一个朴素共识——规划和执行不该共享一个上下文——做成了有形式化定义（信息密度、条件互信息边界）、有强制机制（schema 化的返回接口）、有触发规则（fold 条件）、有消融证据的完整闭环。工程上这套东西不少人都在悄悄做，但写成论文讲清楚为什么 work 的不多。

但有几个地方要泼冷水。

一，蒸馏算子 \(\phi\) 是个隐藏的成本中心。原始观测剥壳、结构化返回生成、记忆重写，每一步都是额外的 LLM 调用（论文说辅助任务统一用 DeepSeek-V4）。Figure 3 说资源消耗"可比"，但我没完全看懂这个"可比"是否把辅助调用的 token 全算进去了——这里我保留一点怀疑。

二，跟 THREAD 的边界需要更硬的对比。THREAD 也做递归子线程隔离推理，思路亲缘很近。HyMem 的差异在于"只回传 typed message + 三类结构化记忆"，但表格里 THREAD 的分数低得反常（Browsecomp-plus 只有 26.7，比裸 ReAct 低一半），我怀疑复现配置是否充分调优。拿一个疑似没调好的 baseline 当陪衬，说服力打折。

三，全部收益绑定在强指令遵循基座上。Qwen3-32B 在 Browsecomp-plus 上的倒挂已经说明了：这是一套对基座有门槛的方案，不是普适增益。论文自己把这写进了 limitation，态度是诚实的。

四，固定阈值的 fold 触发器（99%、5 次、3 次、8 轮、10 次）一看就是手调的，不同任务分布下大概率要重调。作者在 future work 里也点了自适应路由和 fold 策略，说明他们清楚。

横向看，这个方向最近很热闹：ReSum 做周期性摘要、AgentFold 做主动折叠、MEM1 直接 RL 学记忆操作。HyMem 跟它们是互补而非替代——它的隔离机制决定了"进Planner 的信息有多干净"，摘要/折叠方法决定"进来的信息怎么压缩"。我自己更倾向于认为，未来的长程 Agent 框架会把这两层都做成标配：架构层隔离 + 内容层压缩。

收尾

如果你正在搭一个要跑几十轮工具调用的 deep research 或 web agent，HyMem 的三个做法可以直接抄：Executor 用完即弃 + 固定 schema 返回、复杂子任务关进隔离推理间、确定性规则触发的记忆 fold。不需要训练，纯推理时组装，接进现有 ReAct 框架的成本不高。

但还有一个更本质的问题它没碰：当用户的意图在多轮交互中变化时，这套为单一长任务设计的分层隔离还成立吗？Planner 上下文倒是干净了，可它锁死的任务目标也可能过时了。这大概是下一篇论文的事。

觉得有启发的话，欢迎点赞、在看、转发。跟进最新AI前沿，关注我