LLM-Agenten brechen bei langen Aufgaben zusammen. Hier kommt das Kontext-Engineering wirklich zur Geltung. Agenten können schlussfolgern und Werkzeuge nutzen, aber erweiterte Operationen führen zu ungebundenem Kontextwachstum und angesammelten Fehlern. Häufige Lösungen wie Kontextkompression oder retrieval-unterstütztes Prompting zwingen zu Kompromissen zwischen Informationsgenauigkeit und Stabilität des Schließens. Diese neue Forschung stellt InfiAgent vor, ein Framework, das den Denk-Kontext des Agenten unabhängig von der Dauer der Aufgabe strikt begrenzt. Die Idee ist, den persistenten Zustand in eine dateizentrierte Abstraktion zu externalisieren. Anstatt alles in den Kontext zu stopfen, hält der Agent einen Arbeitsbereich von Dateien, die über die Schritte hinweg bestehen bleiben. An jedem Entscheidungspunkt rekonstruiert er den Kontext aus einem Snapshot des Arbeitsbereichs plus einem festen Fenster von aktuellen Aktionen. Dies entkoppelt die Aufgabendauer von der Kontextgröße. Egal, ob die Aufgabe 10 Schritte oder 1000 dauert, der Denk-Kontext bleibt gleich lang. Das ist schön, weil der Ansatz keine aufgabenspezifische Feinabstimmung erfordert. Der Agent funktioniert unabhängig vom Bereich auf die gleiche Weise. Experimente auf DeepResearch und einer Literaturüberprüfung mit 80 Arbeiten zeigen, dass InfiAgent mit einem 20B Open-Source-Modell wettbewerbsfähig mit größeren proprietären Systemen ist. Es hält erheblich höhere Langzeitabdeckung als kontextzentrierte Baselines. Die Literaturüberprüfung mit 80 Arbeiten ist besonders aufschlussreich. Das ist genau die Art von erweiterter Aufgabe, bei der traditionelle Agenten Fehler ansammeln und den Überblick verlieren, was sie getan haben. Die dateibasierte Zustandsexternalisierung von InfiAgent verhindert diese Degradation. Papier: Lerne, effektive KI-Agenten in unserer Akademie zu bauen: