AgentSwing: Routing Adattivo per la Gestione Parallela del Contesto in Agenti Web per Orizzonti Temporali Lunghi
AgentSwing: Adaptive Parallel Context Management Routing for Long-Horizon Web Agents
March 29, 2026
Autori: Zhaopeng Feng, Liangcai Su, Zhen Zhang, Xinyu Wang, Xiaotian Zhang, Xiaobin Wang, Runnan Fang, Qi Zhang, Baixuan Li, Shihao Cai, Rui Ye, Hui Chen, Jiang Yong, Joey Tianyi Zhou, Chenxiong Qian, Pengjun Xie, Bryan Hooi, Zuozhu Liu, Jingren Zhou
cs.AI
Abstract
Man mano che i grandi modelli linguistici (LLM) evolvono in agenti autonomi per la ricerca di informazioni a lungo termine, la gestione della capacità di contesto finita è diventata un collo di bottiglia critico. I metodi di gestione del contesto esistenti tipicamente adottano una singola strategia fissa per l'intera traiettoria. Questi progetti statici possono funzionare bene in alcuni stati, ma non sono in grado di adattarsi man mano che l'utilità e l'affidabilità del contesto accumulato evolvono durante la ricerca a lungo termine. Per formalizzare questa sfida, introduciamo un quadro probabilistico che caratterizza il successo a lungo termine attraverso due dimensioni complementari: l'efficienza della ricerca e la precisione terminale. Sulla base di questa prospettiva, proponiamo AgentSwing, un framework di routing adattivo e parallelo per la gestione del contesto, consapevole dello stato. Ad ogni punto di attivazione, AgentSwing espande in parallelo più rami con contesto gestito e utilizza un routing con lookahead per selezionare la continuazione più promettente. Esperimenti su diversi benchmark e architetture di agenti mostrano che AgentSwing supera costantemente i robusti metodi statici di gestione del contesto, spesso eguagliando o superando le loro prestazioni con fino a 3 volte meno turni di interazione, migliorando anche il limite prestazionale ultimo degli agenti web a lungo termine. Oltre ai vantaggi empirici, il quadro probabilistico proposto fornisce una lente principiata per analizzare e progettare future strategie di gestione del contesto per agenti a lungo termine.
English
As large language models (LLMs) evolve into autonomous agents for long-horizon information-seeking, managing finite context capacity has become a critical bottleneck. Existing context management methods typically commit to a single fixed strategy throughout the entire trajectory. Such static designs may work well in some states, but they cannot adapt as the usefulness and reliability of the accumulated context evolve during long-horizon search. To formalize this challenge, we introduce a probabilistic framework that characterizes long-horizon success through two complementary dimensions: search efficiency and terminal precision. Building on this perspective, we propose AgentSwing, a state-aware adaptive parallel context management routing framework. At each trigger point, AgentSwing expands multiple context-managed branches in parallel and uses lookahead routing to select the most promising continuation. Experiments across diverse benchmarks and agent backbones show that AgentSwing consistently outperforms strong static context management methods, often matching or exceeding their performance with up to 3times fewer interaction turns while also improving the ultimate performance ceiling of long-horizon web agents. Beyond the empirical gains, the proposed probabilistic framework provides a principled lens for analyzing and designing future context management strategies for long-horizon agents.