当 Agent 的上下文也有了“查询优化器”，矩阵起源论文ContextPipe入选数据库顶会VLDB 2026 Workshop

原创于 2026-09-02 17:53:25 发布 · 196 阅读

本内容遵循CC 4.0 BY-SA版权协议

由矩阵起源与清华大学联合完成的论文 ContextPipe: Database-Inspired Context Assembly for Long-Horizon Agents，正式入选VLDB 2026 ADS/DATAI联合Workshop。

该论文是矩阵起源团队与清华大学联合完成的研究成果。其核心思想是借鉴数据库查询执行与优化机制，对长周期Agent的上下文进行规划、组装和反馈优化，让上下文管理更加高效、稳定和可追踪。

关于VLDB和ADS/DATAI Workshop

VLDB全称为International Conference on Very Large Data Bases，是数据库与数据管理领域最具影响力的国际学术会议之一。第52届VLDB 2026于2026年8月31日至9月4日在美国波士顿举行。

ADS/DATAI是首届Agentic Data Systems Workshop与第三届Data-Centric AI Workshop的联合研讨会，主要讨论AI Agent与数据系统结合过程中出现的新问题，包括长周期任务、数据工作流、系统可靠性、成本优化、评测和治理等。

在这里插入图片描述

用数据库查询优化器思路解决Agent上下文问题

Agent执行长周期任务时，会不断积累对话、工具调用结果、文件内容、错误信息和中间状态。每次调用模型前，运行时都需要确定哪些信息应该进入上下文、以什么顺序组织，以及何时压缩历史内容。如果只是持续追加，Token消耗会不断增加，重要信息也容易被大量历史内容淹没。

ContextPipe认为，上下文组装与数据库查询执行有相似的系统结构。数据库面对一次查询时，不会把全部数据直接交给执行引擎，而是根据查询目标、统计信息、资源预算和缓存情况选择执行计划。ContextPipe用同样的思路处理Agent上下文，根据当前任务选择需要的信息，并在上下文窗口、Token成本、响应时间和Prompt Cache之间进行权衡。

论文将这一过程划分为Plan、Bind、Optimize、Execute和Feedback五个阶段。系统先描述本次模型调用需要哪些上下文，再绑定对话、文件、工具结果和记忆等数据源，随后生成可执行的上下文计划，完成模型调用，并记录实际的Token消耗、延迟和执行结果。

ContextPipe还引入了结构化的数据源目录、可感知缓存的优化器和类似数据库EXPLAIN ANALYZE的执行追踪。每次模型调用使用了哪些上下文、为何采用当前组织方式，以及执行过程中发生了什么，都可以被记录和回放。这为Agent的调试、审计和持续优化提供了基础。

评测显示，与追加式上下文策略相比，ContextPipe将总Token使用量降低31%，LLM调用次数降低23%，整体响应时间降低9%。

我们将在后续文章进行论文解读，详细介绍ContextPipe的架构设计、优化机制和实验结果。