几十步之后，旧观察、过期状态、工具输出和推理过程全堆在一起。模型每走一步，都要重新判断哪些信息现在还有效。
Google 团队这篇 SKILL.state，给了一个很直接的解法：
别一直保存完整历史，只维护「当前状态」。
每一步 Agent 只看到三样东西：固定的 Skill、当前结构化状态，以及最新观察。
推理仍然正常进行，但完成这一步后就被丢掉，只把真正会影响未来执行的信息写回 state。
这样一来，任务跑 10 步还是 200 步，Prompt 大小基本保持稳定。
在 100 步任务中，传统 Stateful Agent 累计消耗约 106 万 token，SKILL.state 只用了 6.5 万，减少约 16 倍，同时准确率从 0.91 提升到 0.94。
在 InterCode CTF 和 τ-Bench 上，它也同时提升了成功率并减少 token 消耗。
这篇给我的一个很直接的启发是：
长时 Agent 的上下文，可能更适合做成一个持续更新的「工作状态」。
做过什么可以忘，下一步真正需要知道什么，才值得一直留下来。
📎 arxiv: https://arxiv.org/abs/2608.26263