# When Can Agents Forget Their Reasoning? ICLR for Long‑Horizon Agent Context Compression（arXiv:2609.29875）
> 论文链接：[https://arxiv.org/abs/2609.29875](https://arxiv.org/abs/2609.29875)

## 一、文章主要内容
长时序大模型智能体在执行任务过程中会不断累积推理历史，上下文长度持续膨胀，带来推理token开销暴涨的问题。传统静态思维链（CoT）压缩方法不适用于智能体场景：直接删除历史推理步骤会改变后续行为与交互轨迹，不能无脑做裁剪。

本文核心研究问题：**智能体在什么条件下可以安全丢弃历史推理内容**。
1. 提出无训练的在线上下文压缩方法 **ICLR（Interaction‑Aware Compression for Long‑Horizon Reasoning，面向长时序推理的交互感知压缩）**；该方法使用冻结代理熵对推理块做优先级排序，保留动作、工具调用、环境观测，只选择性丢弃部分推理内容。
2. 在260个WorkBuddyBench任务上开展实验：ICLR将平均奖励从0.699提升至0.718；输入token降低25.5%、输出token降低14.4%、缓存读取token降低33.3%，兼顾性能与计算开销。
3. 通过消融实验发现**轨迹放大效应**：局部删除部分推理片段，会改变后续交互流程，引发整体计算量的非线性变化。
4. 借助表征探测、激活补丁、受控轨迹分析得到关键结论：当任务相关的派生状态已经可靠外化到代码、文件、工具输出、环境反馈中，历史推理就具备可替代性；智能体推理本质是动态工作状态，而不是需要永