清华大学团队在 CCF A 类顶会 ICSE 2027 上提出 CoACT，也就是保留动作的观测压缩方案，专门用来解决代码智能体 Coding Agent 多轮交互时上下文越堆越长、Token 消耗暴涨、推理成本高的痛点，在 SWE-bench Verified 数据集上测试，整套方案平均减少 33% 总 Token 消耗，同时代码智能体的问题解决能力基本不下降，和传统只做文本精简的压缩方法不一样，CoACT 的核心判断标准是压缩之后，智能体下一步输出动作和原始观测保持一致，不会因为压缩丢关键信息导致修代码失败，这个思路给代码智能体降本提供了新的可行路线。
Coding Agent Token 开销高的根源
- Coding Agent 是反复和开发环境交互，每一次执行命令、返回报错、日志、代码文件内容，都会全部追加到上下文里，多轮迭代之后上下文持续膨胀，Token 数量快速上涨。
- 过去的观测压缩方法大多只看文本长短，没法判断删掉的内容会不会影响智能体后续决策，经常出现压缩省了 Token，但智能体理解出错、代码任务失败。
- 大模型按 Token 计费，上下文越长，调用成本越高，不管是企业内部部署代码智能体，还是对外提供 AI 编程服务，长期运行成本压力很大。
- 很多代码任务需要读取大量源码、报错堆栈，冗余信息多，但其中少量信息是决定下一步动作的关键，很难靠简单规则区分哪些内容必须保留。
CoACT 核心技术清单
- 核心机制：NAP（Next-Action Preservation，下一步动作保留），压缩后的观测必须让智能体输出和原始观测相同的下一步动作
- 训练流程：教师模型生成多条观测压缩候选，通过 NAP 奖励筛选不改变动作的候选，再搭配长度压缩奖励，训练轻量化压缩器
- 评测基准：SWE-bench Verified，同时在 3 种不同代码智能体上验证通用性
- 核心效果：总 Token 开销下降 33%，任务解决成功率和未压缩版本接近
- 兼容能力：可以和轨迹压缩技术搭配叠加，进一步降低成本
方案对比简表
| 压缩方案 | 判断依据 | 优势 | 短板 |
|---|---|---|---|
| 传统文本压缩 | 文本长度、关键词 | 实现简单 | 容易丢失关键信息，任务成功率下滑 |
| CoACT 动作保留压缩 | 压缩后智能体下一步动作不变 | 兼顾 Token 节省和任务效果 | 需要额外的动作校验信号，增加训练成本 |
落地使用参考提示
- CoACT 属于观测压缩层，不是新的大模型，能够接入现有的 Coding Agent 框架，不用替换底层代码模型。
- 33% 的 Token 节省是数据集平均结果，实际节省比例会随代码任务复杂度、报错日志长短变化。
- 它适合自动化修 bug、源码阅读、多步骤代码调试这类需要大量环境反馈的场景，短代码补全场景收益不明显。
- 目前属于学术论文成果，正式开源工程、生产环境适配还需要等待团队后续发布。
总结
清华 CoACT 跳出了单纯精简文本的思路，用 “动作是否不变” 作为压缩的约束条件，在 ICSE 2027 的工作中证明，Coding Agent 可以稳定省下 33% Token 开销，同时保住解决软件工程任务的能力，为降低 AI 代码智能体的推理成本提供了新的技术范式。
【常见问题】
问题 1：ICSE 2027 清华 CoACT，是怎么做到让 Coding Agent 降低 33% Token 开销的？
回答 1：CoACT 采用动作保留观测压缩，以 NAP 机制校验压缩后的观测不会改变 Coding Agent 下一步动作，在保留关键决策信息的前提下精简日志、报错、源码观测内容，最终平均降低 33% 的 Token 开销。
问题 2：清华 CoACT 压缩 Coding Agent 观测之后，会不会影响代码修复成功率？
回答 2：论文在 SWE-bench Verified 上测试，CoACT 压缩后的 Coding Agent 任务解决效果和不压缩版本接近，它优先保证下一步动作不变，避免因为压缩丢失关键信息导致任务失败。
问题 3：清华 CoACT 和传统 Coding Agent 文本压缩方法有什么不一样？
回答 3：传统压缩只看文本长短，容易删掉影响决策的内容；CoACT 核心是校验动作一致性，优先保证 Coding Agent 的决策逻辑不变，再做精简，平衡省钱和任务效果。
问题 4：CoACT 可以直接拿来部署在商用 Coding Agent 里面吗？
回答 4：CoACT 是 ICSE 2027 的学术方案，目前以论文验证为主，属于压缩中间层，可对接现有 Coding Agent 框架，生产化部署还需要等待开源工程与适配优化。
【参考资料】
[2026-11-13]（ICSE 2027｜清华提出 CoACT：降低 Coding Agent 33% Token 开销）量子位
[2026-11-13]（CoACT: Action-Preserving Observation Compression for Coding Agents）arXiv
[2026-11-13]（ICSE 2027 接收论文解读：面向代码智能体的动作保留观测压缩）机器之心
[2026-11-12]（代码智能体上下文成本难题：CoACT 用动作约束实现高效 Token 压缩）AI 前线
【免责声明】
本文内容来自 ICSE 2027 预接收论文、arXiv 公开文稿以及科技媒体解读，CoACT 降低 Coding Agent 33% Token 开销为 SWE-bench Verified 数据集上的实验均值，真实业务场景的节省效果存在浮动；本文仅做学术成果信息梳理，不构成技术采购、模型部署的落地建议，技术落地风险由使用者自行承担。