您的位置首页 >机器人 >

清华 CoACT 亮相 ICSE2027,在不降低 Coding Agent 解题能力前提下削减 33% Token 开销

Coding Agent 在修 bug、写代码、跑测试的时候,会不断拿到代码文件、运行日志、报错信息这类观测内容,这些内容会持续塞进上下文,越往后 token 消耗越高、调用成本越贵,在 SWE-bench Verified 上这类观测内容占总 token 消耗 45.7%,Terminal-Bench 里最高到 67.8%,传统的文本摘要压缩很容易删掉后续决策要用的关键信息,导致智能体改错思路、任务失败。清华人工智能学院团队在 ICSE2027 上提出 CoACT,核心思路不是保证压缩文本和原文长得像,而是保证压缩之后 Coding Agent 的下一步行动和用原始观测内容时保持一致;团队先用教师模型产出多个压缩候选,再用行动保留奖励筛选出不改变智能体下一步动作的版本,搭配长度缩减奖励选出更简短的样本,训练轻量化压缩器,在 SWE-bench Verified 200 个测试用例、3 种不同 Coding Agent 上实测,平均 token 开销下降 33%,任务成功率 PASS@1 还从 69.0% 小幅提升到 71.0%,性能基本不缩水,这项成果被 CCF A 类顶会 ICSE2027 直接接收,录用率仅 Top5%。

一、CoACT 核心思想:NAP 行动保留机制

NAP 全称 Next-Action Preservation,也就是下一步行动保留。

  • 评判标准:压缩后的观测信息,给到 Coding Agent,输出的下一步动作必须和原始观测输入完全一样;
  • 和传统摘要区别:传统摘要优先还原文字信息,CoACT 优先保住决策信息;
  • 价值:只要行动不变,就代表压缩后的信息足够支撑智能体继续完成代码任务,多余文字都可以删掉。

二、CoACT 完整训练流程

  1. 教师模型针对每一条原始观测(日志、代码、报错),一次性生成多版压缩候选文本;
  2. 把每一个候选喂给 Coding Agent,对比它和原始观测对应的下一步动作;
  3. 给候选打分:动作一致拿到行动保留奖励,文本越短拿到长度缩减奖励;
  4. 筛选高分候选作为标注数据,训练轻量化压缩器;
  5. 上线后,Coding Agent 拿到环境返回的观测,先经过压缩器精简,再送入上下文,减少 token 输入。

三、实验测试信息

  • 测试数据集:SWE-bench Verified,200 个真实软件工程任务;
  • 测试对象:3 款主流 Coding Agent;
  • 核心指标:总 Token 消耗、PASS@1 任务解决率;
  • 结果汇总表
项目原始 Coding Agent接入 CoACT 之后
总 Token 开销基准值下降 33.0%
PASS@169.0%71.0%

四、适用场景与局限

✅ 适合场景

  • 长期多轮调试的代码智能体、自动修 bug 工具;
  • 频繁读取文件、执行命令、返回大量终端日志的 Coding Agent;
  • 想要降低大模型调用成本、控制上下文长度的代码 Agent 落地项目。

⚠️ 局限

  • 只针对观测 observation 做压缩,不会压缩用户 prompt、Agent 自身输出的代码;
  • 依赖目标 Coding Agent 的动作判断,不同 Agent 适配需要重新对齐;
  • 不适合一次性短代码生成任务,收益主要体现在多轮交互的长任务上。

【常见问题】

问题 1:CoACT 降低 Coding Agent 的 33% Token 开销,会不会让代码智能体的修代码成功率变低?

回答 1:接入 CoACT 之后 Coding Agent 的 PASS@1 从 69.0% 提升到 71.0%,不会降低任务成功率,核心原因是 CoACT 以行动保留作为压缩标准,只删掉不影响下一步决策的冗余文本,关键信息全部保留,还能减少冗余信息干扰模型判断。

问题 2:CoACT 和普通文本摘要压缩 Coding Agent 日志,最大差别是什么?

回答 2:普通摘要追求文字语义和原文接近,容易误删后续要用的关键线索;CoACT 依靠 NAP 行动保留机制,判断标准是压缩之后 Coding Agent 下一步动作不变,优先保证决策信息完整,而不是文本相似,这也是它能稳定压缩 token、不翻车的关键。

问题 3:CoACT 是清华在 ICSE2027 提出的技术,它可以直接压缩用户给的代码需求 Prompt 吗?

回答 3:不可以,CoACT 的压缩对象是环境返回的观测 observation,也就是运行日志、报错、文件内容这类工具返回结果,不压缩用户输入 Prompt、Coding Agent 自己生成的代码内容。

问题 4:想在自己的 Coding Agent 上用上 CoACT,需要重新训练底层大模型吗?

回答 4:不需要,CoACT 是独立的轻量化观测压缩模块,不需要改动底层 Coding Agent 模型,只需要对齐目标 Agent 的动作判断,再接入压缩器,属于外挂式优化方案。

【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

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

[2026-11-05](Haorui Chen, Yuancheng Zhu, Yitong Zhang, Jia Li. CoACT: Action-Preserving Observation Compression for Coding Agents)个人学术主页

【免责声明】

本文内容仅为学术成果资讯科普,CoACT 相关技术效果基于论文公开实验环境测得,不同模型、不同代码任务场景下的 Token 缩减幅度、任务成功率存在差异,不代表落地后一定可以达到同等指标;不构成技术选型、商业落地的直接建议,相关技术使用请参考官方论文与开源仓库。

今日大家都在搜的词: