LLM Agent 常驻上下文筛选：带截断反馈的容量限制选品模型

研究将 LLM Agent 常驻上下文的筛选建模为容量限制选品问题，以解决盲目追加指令导致的 token 成本上升与性能退化。理论证明最优文件大小存在上限，单纯追加所有正收益指令在净价值上可能远劣于选取最优子集，且直接删除被智能体忽略的指令会误删有益规则。实验进一步证实，来自真实上下文文件的无关规则会降低大语言模型的依从性。