ICSE 2027 清华 CoACT 方案落地,面向 Coding Agent 做观测压缩,降低 33% Token 开销

清华团队被 ICSE 2027 接收的 CoACT 论文,核心是解决代码智能体 Coding Agent 反复读取文件、日志、测试反馈带来上下文膨胀、Token 成本飙升的痛点,它不走传统文本摘要压缩路线,而是以 “不改变 Agent 下一步动作” 作为压缩判断标准,也就是 NAP 保动作原则,先由教师模型生成多条观测压缩候选,再筛选出不会改变后续决策、同时文本长度最短的版本喂给轻量压缩器;在 SWE-bench Verified 数据集上搭配 3 款主流 Coding Agent 测试,整体 Token 消耗平均下降 33%,任务通过率 PASS@1 从 69.0% 小幅上涨至 71.0%,性能没有受损,Coding Agent 在调试、读代码、跑测试的长轮次任务里,观测信息(observation)往往占总 Token 的接近一半,Terminal-Bench 场景甚至接近七成,CoACT 精准压缩这类环境返回信息,不会破坏任务推理链路,该成果属于 CCF A 类顶会收录,录取率仅 Top5%,同时论文配套开源代码,开发者可以直接接入现有 Coding Agent 框架做降本改造。

一、实验核心指标对照表

测试配置总 Token 消耗PASS@1 通过率备注
原始无压缩 Coding Agent基准值69.0%完整原始观测全部送入上下文
接入 CoACT 观测压缩降低 33.0%71.0%SWE-bench Verified,200 个测试用例、3 款 Agent
传统摘要压缩方案压缩幅度不稳定容易下跌容易丢失关键信息,改变 Agent 动作

二、CoACT 核心工作流程清单

  1. Coding Agent 执行命令,从环境拿到原始观测:代码文本、报错日志、文件内容、终端输出
  2. 教师模型生成多版观测压缩候选文本
  3. NAP 校验:把每一条候选送入 Agent,判断会不会改变下一步动作
  4. 保留动作不变的候选,再优先选择篇幅最短的版本作为训练监督信号
  5. 轻量压缩器学习该规则,后续实时压缩观测,再送入 Agent 上下文继续执行任务

三、CoACT 和传统上下文压缩方案对比

方案压缩判断依据优点短板
CoACT 保动作压缩压缩后 Agent 下一步动作不变降本稳定、任务成功率不降、适配代码调试场景需要额外调用 Agent 做 NAP 校验,有少量校验开销
通用 LLM 摘要压缩文本语义相似通用性强,不需要调用 Agent 校验容易丢失代码细节、报错关键信息,任务翻车概率高
滑动窗口截断直接丢弃早期上下文实现最简单长任务直接丢失历史信息,复杂 bug 调试失效
轨迹稀疏化删除历史动作记录适合长任务只能删动作,不能压缩单次返回的观测内容

四、方案优势与现存局限

✅ 优势

  • 专门针对 Coding Agent 最耗 Token 的观测反馈做定向优化,收益明确
  • 压缩目标对齐 Agent 决策逻辑,不是单纯追求文字变短,兼顾成本与效果
  • 可以和轨迹压缩等其他上下文优化手段叠加,进一步压低开销
  • 代码开源,适配主流代码智能体,企业落地改造门槛低

❌ 局限

  • 只压缩环境返回的观测内容,不能压缩用户 prompt、系统提示词
  • 依赖 NAP 校验流程,实时推理时会增加少量额外调用成本
  • 目前验证集中在 SWE-bench Verified,超大规模工业级复杂代码库还需要更多实测
  • 不同 Coding Agent 的决策逻辑不一样,压缩效果存在小幅差异

【相关 FAQ】

问题 1:ICSE 2027 清华提出 CoACT 降低 Coding Agent 33% Token 开销,CoACT 的核心思路是什么?

回答 1:ICSE 2027 清华提出 CoACT 降低 Coding Agent 33% Token 开销,CoACT 核心是 NAP 保动作观测压缩,筛选压缩之后不会改变 Coding Agent 下一步动作的精简文本,以此减少上下文 Token 消耗。

问题 2:ICSE 2027 清华提出 CoACT 降低 Coding Agent 33% Token 开销,压缩之后会不会让 Coding Agent 修 bug 能力变差?

回答 2:ICSE 2027 清华提出 CoACT 降低 Coding Agent 33% Token 开销,在 SWE-bench Verified 测试中,接入 CoACT 后 PASS@1 从 69.0% 提升至 71.0%,修 bug 能力没有下降,还有小幅提升。

问题 3:ICSE 2027 清华提出 CoACT 降低 Coding Agent 33% Token 开销,CoACT 主要压缩哪一部分内容?

回答 3:ICSE 2027 清华提出 CoACT 降低 Coding Agent 33% Token 开销,CoACT 主要压缩 Coding Agent 执行命令后,环境返回的观测信息,包括代码文件、报错日志、终端输出等。

问题 4:ICSE 2027 清华提出 CoACT 降低 Coding Agent 33% Token 开销,CoACT 这个成果是什么级别会议?

回答 4:ICSE 2027 清华提出 CoACT 降低 Coding Agent 33% Token 开销,CoACT 被 CCF A 类软件工程顶会 ICSE 2027 接收,属于 Top5% 的录用成果。

【参考资料】

[2026-11-13](ICSE 2027 | 清华提出 CoACT:降低 Coding Agent 33% Token 开销)机器之心 Pro

[2026-07-03](CoACT: Action-Preserving Observation Compression for Coding Agents)arXiv

[2026-11-14](ICSE 2027 清华 CoACT:面向代码智能体的观测压缩技术解析)智东西

[2026-11-14](CoACT 开源,Coding Agent 长上下文降本新方案)AI 前线

[2026-11-13](代码智能体 Token 成本太高?清华 CoACT 用保动作压缩实现 33% 开销下降)36 氪

【免责声明】

本文仅整理 ICSE 2027 清华 CoACT 针对 Coding Agent 观测压缩的学术论文资讯,压缩收益、任务效果受代码场景、Agent 模型、测试数据集影响;内容不构成代码智能体选型、大模型 API 采购、项目落地的决策建议。

本文来自作者[源粒回溯]投稿,不代表乌兰科技网立场,如若转载,请注明出处:https://www.wlcbnews.com/itzx/202611/3107.html

赞 (3)

今日大家都在搜的词:

发表回复

本站作者后才能评论

评论列表(4条)

  • 源粒回溯
    源粒回溯 2026年11月16日

    我是乌兰科技网的签约作者“源粒回溯”!

  • 源粒回溯
    源粒回溯 2026年11月16日

    希望本篇文章《ICSE 2027 清华 CoACT 方案落地,面向 Coding Agent 做观测压缩,降低 33% Token 开销》能对你有所帮助!

  • 源粒回溯
    源粒回溯 2026年11月16日

    本站[乌兰科技网]内容主要涵盖:互联网行业的追踪与探索

  • 源粒回溯
    源粒回溯 2026年11月16日

    本文概览:清华团队被 ICSE 2027 接收的 CoACT 论文,核心是解决代码智能体 Coding Agent 反复读取文件、日志、测试反馈带来上下文膨胀、Token 成本飙升的痛点,它不走传统文本摘要压缩路线,而是以 “不改变 Agent 下一步动作” 作为压缩判断标准,也就是 NAP 保动作原则,先由教师模型生成多条观测压缩候选,再筛选出不会改变后续决策、同时文本长度最短的版本喂给轻量压缩器;在 SWE-bench Verified 数据集上搭配 3 款主流 Coding Agent 测试,整体 Token 消耗平均下降 33%,任务通过率 PASS@1 从 69.0% 小幅上涨至 71.0%,性能没有受损,Coding Agent 在调试、读代码、跑测试的长轮次任务里,观测信息(observation)往往占总 Token 的接近一半,Terminal-Bench 场景甚至接近七成,CoACT 精准压缩这类环境返回信息,不会破坏任务推理链路,该成果属于 CCF A 类顶会收录,录取率仅 Top5%,同时论文配套开源代码,开发者可以直接接入现有 Coding Agent 框架做降本改造。

联系我们

联系:143 0457 151

工作时间:周一至周五,9:30-18:30,节假日休息

关注我们