PEEK：為長期上下文的 LLM 代理打造可重用的上下文地圖

要點速覽

面對重複且長期的外部上下文，PEEK 將可重用的「定向知識」緊湊地保存在提示中的上下文地圖，讓代理在後續呼叫時能快速取得核心背景與組織結構，提升查詢與推理效率。

方法概述

PEEK 的地圖由三個模組維護：Distiller 從推論時的信號中萃取可轉移的知識；Cartographer 將這些知識轉換為結構化的編輯；Evictor 以優先級在固定 token 預算內驅逐與替換內容。地圖大小保持常數，作為提示中的小型持久視窗，提供代理對外部資料庫的長期「偷看」能力。

實驗與結果

在長上下文推理與資訊彙整上，PEEK 相較於強大基線提高 6.3–34.0% 的表現，同時減少 93–145 次迭代並將成本降低約 1.7–5.8 倍。於上下文學習任務上，PEEK 的解題率與評分準確度分別提高 6.0–14.0% 與 7.8–12.1%，且成本低於比較基準。成果可跨不同語言模型與代理架構重複使用，包括實務等級的程式碼代理如 OpenAI Codex。

總結來說，持久且可更新的上下文地圖，使得長期且重複的同一外部上下文任務，能以更準確且更節省資源的方式被 LLM 代理處理。

延伸閱讀

• PCAS：以依賴圖與 Datalog 宣告式政策實現確定性授權編譯器
• DIBA：以行為位移揭露 RLVR 下的成員推斷風險
• LaTeXpOsEd：以 LaTeX 源檔、模式比對與大型語言模型評估預印本的資安風險

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。