CLM（Context Language Models）让AI自己修改上下文的核心做法，是把上下文当作一个可读写的“文件”，赋予模型原生且不受限的编辑权限，使上下文管理从Harness的外部控制逻辑，变成模型自身的一种行为能力。

　　一、从“外部管理”到“模型内化”

　　旧路径：过去上下文管理主要靠Harness手工设计或离线优化的工具集，策略固定且受限。

　　CLM的做法：将上下文投射到一个带有读写权限的存储空间，模型可自由追加、编辑文件，每次修改立即同步到下一轮对话的实时上下文中。

　　理论依据：这一思路呼应“苦涩的教训”——让模型自己去搜索和学习更好的策略，而非固守人类先验。

　　二、两层机制：即时编辑与跨任务学习

　　任务内编辑：模型通过Bash等工具直接改写上下文文件，无需外部拦截或审批，Harness只负责审计留痕。

　　跨任务经验沉淀：类似Harness²的递归思路，系统将有效的上下文修改方案存入改进库，用于指导下一次任务。

　　多智能体场景：多个上下文文件可并存，分别由不同CLM管理，天然适配子智能体协同。

　　三、效果数据与工程挑战

　　性能提升：在BrowseComp-Plus上，CLM零样本即比现有上下文管理策略准确率高11.4%，FLOPs减少21.55%。

　　效率优化：针对频繁修改对KV Cache的冲击，论文提出Suffix Cache Reuse（SCR），服务端算力再降35%。

　　当前进展：Pi agent已支持该上下文管理方式，可通过

　　pi install npm:pi-clm

　　接入。

本文由AI生成