您的位置首页 >人工智能 >

ICSE 2027 清华 CoACT 技术方案 可降低 Coding Agent 33% Token 开销

清华团队在 CCF A 类顶会 ICSE 2027 上提出 CoACT,也就是面向编码智能体的保动作观测压缩方法,在 SWE-bench Verified 基准上测试,能够在基本不降低代码修复成功率的前提下,平均减少 Coding Agent 33% 的总 Token 消耗,核心思路和传统摘要压缩不一样,传统方案只看文本省字数,CoACT 以 “压缩之后智能体下一步动作不变” 作为判断标准,避开了压缩关键信息导致任务失败的痛点,论文已经被 ICSE 2027 直接接收,属于 Top5% 录用成果,对企业落地代码智能体、控制大模型调用成本有很高实用价值。Coding Agent 是循环执行的,每一次运行代码、读取文件、执行命令之后,都会拿到大量返回观测文本,这些观测内容持续塞进上下文,是 Token 开销大头,数据统计显示,在 SWE-bench Verified 里观测内容占总 Token 消耗 45.7%,Terminal-Bench 场景最高到 67.8%,普通摘要压缩很容易删掉隐性关键信息,压缩完之后智能体决策跑偏,修复代码失败,CoACT 的 NAP(Next-Action Preservation,下一个动作保留)机制就是用来解决这个取舍难题。整套训练流程分为候选生成、保动作筛选、轻量化压缩器训练三步,先用教师模型生成多条观测压缩候选,再校验哪一条候选不会改变 Agent 下一步动作,同时优先选更短的版本,用双奖励信号去训练轻量压缩模型,上线之后可以直接嵌入现有 Coding Agent 链路,不用改动底层编码智能体本身。

CoACT 基础信息清单

  • 论文全称:CoACT: Action-Preserving Observation Compression for Coding Agents
  • 发表会议:ICSE 2027(国际软件工程大会,CCF A 类)
  • 录用等级:Direct Accept,Top5%
  • 核心指标:总 Token 消耗下降 33%,PASS@1 由 69.0% 小幅提升至 71.0%
  • 测试基准:SWE-bench Verified,覆盖 3 款主流 Coding Agent
  • 核心机制:NAP 下动作保留(Next-Action Preservation)
  • 定位:观测结果上下文压缩,可和轨迹压缩方案叠加进一步降本

CoACT 和传统文本压缩方案对比表

压缩方案判断标准优点短板
传统摘要压缩文本语义近似、字数缩短实现简单,通用性强容易丢失隐性关键信息,智能体动作漂移,修复成功率下滑
CoACT 保动作压缩压缩后 Agent 下一步动作不变优先保证任务效果,Token 节省稳定需要绑定目标 Agent 做校验,有一定适配成本

CoACT 完整工作流程

  1. 编码智能体执行工具,拿到原始观测内容,比如报错日志、文件内容、命令返回结果
  2. 教师模型生成多个不同压缩版本的候选文本
  3. 对每个候选执行 NAP 校验:输入给 Agent,对比原始观测下的下一步动作是否一致
  4. 奖励函数同时兼顾两项:保动作奖励、长度缩减奖励,筛选最优候选
  5. 使用筛选后的高质量样本训练轻量化压缩器
  6. 推理阶段,原始观测先经过压缩器处理,再送入 Agent 上下文窗口,减少 Token

落地价值与适用场景清单

  • 企业自研代码智能体、自动 Bug 修复平台,降低 API 调用费用
  • 长轨迹编码任务,多次执行命令、读取日志,上下文快速膨胀的场景
  • 云端托管 Coding Agent 服务,并发量大、成本敏感的开发平台
  • 可搭配已有的轨迹压缩方案叠加使用,实现更多 Token 节省

现存局限与后续优化方向

  1. 适配绑定:NAP 校验依赖目标 Coding Agent,切换不同 Agent 模型需要重新适配
  2. 极端复杂场景:超长链式调试任务,依然存在少量动作误判风险
  3. 扩展方向:后续可以把 NAP 机制扩展到多模态观测、终端 GUI 智能体
  4. 工程化:当前是论文验证版本,还需要做部署优化,降低压缩环节本身的推理耗时

整体来看,ICSE 2027 的 CoACT 没有盲目追求极致压缩率,而是以智能体决策稳定性作为第一约束,做到成本下降的同时甚至小幅提升任务通过率,是目前 Coding Agent 上下文压缩里效果和实用性平衡度很好的一条路线,适合现在大量正在落地 AI 编码智能体的开发团队。

【常见问题】

问题 1:ICSE 2027 清华 CoACT 技术方案 可降低 Coding Agent 33% Token 开销,CoACT 和普通摘要压缩最大区别是什么?

回答 1:ICSE 2027 清华 CoACT 技术方案 可降低 Coding Agent 33% Token 开销,普通摘要压缩只看文本语义是否接近,CoACT 用 NAP 机制校验,判断压缩之后 Coding Agent 下一步动作和原始观测保持一致,优先保证代码任务不会失败。

问题 2:ICSE 2027 清华 CoACT 技术方案 可降低 Coding Agent 33% Token 开销,CoACT 在测试里对 Coding Agent 的修复成功率有什么影响?

回答 2:ICSE 2027 清华 CoACT 技术方案 可降低 Coding Agent 33% Token 开销,在 SWE-bench Verified 测试中,PASS@1 从 69.0% 小幅提升到 71.0%,在减少 33% Token 开销的同时,任务效果没有下滑,还有小幅提升。

问题 3:ICSE 2027 清华 CoACT 技术方案 可降低 Coding Agent 33% Token 开销,CoACT 能不能和其他智能体压缩手段一起用?

回答 3:ICSE 2027 清华 CoACT 技术方案 可降低 Coding Agent 33% Token 开销,CoACT 属于观测内容压缩,它可以和轨迹压缩方案叠加,组合起来进一步降低 Coding Agent 整体 Token 消耗。

【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

[2026-11-05](ICSE 2027 录用清单,CoACT 论文信息)Jia Li 个人主页

[2026-11-14](CoACT 解读:面向 Coding Agent 的保动作观测压缩)AI 前线

【免责声明】

本文仅整理 ICSE 2027 清华 CoACT 论文公开实验结论与技术原理,33% Token 节省、PASS@1 指标为 SWE-bench Verified 基准测试结果,在不同业务代码库、不同 Coding Agent 模型、不同任务复杂度下效果会存在浮动;本文不构成大模型编码智能体采购、自研方案选型建议,工程落地前建议自行复现验证。

今日大家都在搜的词: