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
- 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
- 教师模型生成多版观测压缩候选文本
- NAP 校验:把每一条候选送入 Agent,判断会不会改变下一步动作
- 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
- 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
评论列表(4条)
我是乌兰科技网的签约作者“源粒回溯”!
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!
本站[乌兰科技网]内容主要涵盖:互联网行业的追踪与探索
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。