Журнал · Rit.work

SCH возвращает старые наблюдения LLM-агенту без отдельного сервиса поиска

SCH отделяет текущее состояние LLM-агента от архива действий и возвращает старые наблюдения, когда агент пересматривает решение.

Rit.work
Студия разработки
19 ноября 2026 г.4 мин чтения

Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.

Долгому LLM-агенту можно не передавать всю историю действий: достаточно держать перед моделью текущее состояние, а старые наблюдения возвращать при пересмотре решения. В работе Minjiang University полный вариант SCH потребовал на 43% меньше токенов и на 41% меньше времени, чем лучший по качеству базовый метод; препринт не рецензирован, а все числа получили сами авторы. Такая схема позволяет сократить контекст без отдельной модели, которая пересказывает историю или ищет по памяти.

Состояние хранит выводы, архив — исходные наблюдения

Обычный агент добавляет в запрос каждое действие и ответ среды. Контекст растёт вместе с траекторией: модель снова читает проверки файлов, результаты команд и промежуточные ошибки, даже если они больше не нужны для текущего шага.

Сжатие истории решает проблему лишь частично. Краткое резюме сохраняет вывод, но может потерять наблюдение, на котором этот вывод основан. Если последующая проверка опровергнет гипотезу, агенту придётся пересматривать решение без исходных данных.

SCH разделяет эти сущности. Семантическое состояние описывает текущее понимание задачи: постоянные ограничения, установленные факты, проверяемые гипотезы, этап работы и подзадачи. Подзадача может оставаться открытой, ждать внешнего условия или считаться завершённой.

Действия и ответы среды попадают в отдельный неизменяемый архив. Запись состояния может ссылаться на конкретные элементы архива: например, гипотеза о причине сбоя сохраняет идентификатор проверки, после которой она появилась. Поэтому состояние не обязано дословно переносить все детали источника.

На каждом шаге модель получает задачу, компактное состояние, ещё не обработанные наблюдения и выбранные старые записи. В ответ она выдаёт следующее действие и только изменения состояния, а не переписывает его целиком. Детерминированный контроллер проверяет ссылки и допустимость смены статусов, исполняет действие, сохраняет результат и собирает следующий запрос.

Когда модель обработала новую запись, контроллер убирает её из обычного контекста, но не удаляет из архива. Это различие между видимостью и хранением позволяет удерживать короткий запрос без необратимого сжатия истории.

Пересмотр решения возвращает завершённую работу в контекст

Ключевой случай возникает после неудачной проверки. Контроллер может распознать сбой в ответе среды, а модель — отозвать факт, изменить гипотезу или снова открыть завершённую подзадачу. Тогда SCH возвращает связанные с ней записи, даже если они появились задолго до текущего шага.

Если прямой ссылки нет, контроллер ищет кандидатов по путям и совпадающим терминам, а также учитывает недавние и связанные с безопасностью записи. Это обычные правила, а не отдельный вызов LLM или поисковой модели. Сначала система выбирает записи с прямыми связями, затем заполняет оставшийся бюджет менее точными кандидатами.

В контролируемом сравнении на выборке из 150 задач SWE-bench Verified авторы зафиксировали остальную архитектуру и меняли только возврат материалов завершённой работы. Средний Pass@1 вырос с 80,0% до 86,9%, а расход токенов и время почти не изменились. Pass@1 здесь означает долю задач, решённых с первой попытки; разница между вариантами статистически значима.

Полную систему также проверили с DeepSeek и MiniMax на SWE-bench Verified и AppWorld. SCH показал лучший наблюдаемый Pass@1 в трёх из четырёх сочетаний модели и среды, а относительно передачи полной истории экономил токены во всех сочетаниях.

Повторные статистические замеры сосредоточены на DeepSeek и SWE-bench Verified, остальные сочетания запускали однократно. PACT и ACON авторы адаптировали к общему протоколу, а MAGE воспроизвели по описанию архитектуры, поэтому широкое сравнение показывает переносимость схемы, но не заменяет независимую проверку реализаций.

Когда SCH меняет архитектурный план агента

Работа меняет планы прежде всего для агентов, которые долго вызывают инструменты и возвращаются к прежним решениям после проверки: исправляют код, управляют приложениями или выполняют многошаговые операции. Для короткого диалога такая инфраструктура добавит больше состояния, чем сэкономит контекста.

Главный архитектурный вывод — не выбирать между полной историей и необратимым резюме. Текущее понимание можно хранить как изменяемую структуру, а точные результаты действий — как отдельный архив со ссылками. Тогда модель работает с компактным представлением, но при ошибке получает первичные наблюдения, а не пересказ собственного прежнего вывода.

Для внедрения понадобится описать схему состояния, жизненный цикл подзадач и события среды, которые означают неудачную проверку. Контроллер также должен валидировать изменения: в экспериментах MiniMax чаще выдавал некорректные изменения состояния на SWE-bench, и часть обновлений не применялась. Значит, качество интерфейса между моделью и контроллером влияет на результат не меньше, чем правила отбора архива.

SCH не требует отдельного сервиса поиска по памяти, но поиск как функция системы не исчезает. Его выполняют связи происхождения и детерминированные правила для записей без ссылок. Это упрощает вычислительную схему, однако привязывает контроллер к формату инструментов и типам ошибок конкретной среды.

Архив также не доказывает, что сохранённая гипотеза верна: он лишь позволяет вернуться к наблюдению, на котором она возникла. Практичный следующий шаг — испытывать такую схему рядом с текущим агентом и отдельно измерять качество решения, расход токенов, время и долю отклонённых изменений состояния.

Источники

Иллюстрация: рисунок из статьи «Semantic Context Handoff with On-Demand Evidence for Long-Horizon Agents», Guolong Zheng, Chen Hou, Xu Yang и др., CC BY 4.0

Пауза в чтении

Похоже на вашу задачу?

Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.

Rit.work

Студия разработки

Собираем мобильные приложения и помогаем командам получать от AI реальную пользу. Основатель и команда, работаем удалённо — с клиентами в России и за рубежом.

← Ко всем материалам
Понравилось? Обсудим вашу задачу