TACO— 北航等高校开源的端智能体自进化观测压缩框架

taco 是曼彻斯特大学、北京航空航天大学、香港科技大学以及 map 团队联合推出的无需训练、即插即用的终端智能体自进化观测压缩框架。该框架专为解决多轮命令行任务中 shell 输出噪声持续累积所引发的上下文膨胀问题而设计，能够自动从交互历史中识别冗余模式、生成并复用压缩规则，在大幅削减无关日志的同时精准保留关键报错与状态信号。其完全免训练、零微调，已深度集成至 harbor 项目中的 terminus-2 终端 agent。在 terminalbench 等权威基准测试中，taco 为 deepseek -v3.2、 qwen 3 等主流模型带来 1%–4% 的准确率提升，并显著压降低价值 token 消耗。 ☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜ Qwen 阿里巴巴推出的一系列AI大语言模型和多模态模型 下载 TACO的主要功能 自进化规则发现 ：基于真实终端交互轨迹，全自动扫描原始 shell 输出流，识别高频冗余片段（如重复进度条、冗长系统路径、无意义调试信息），动态生成结构化压缩规则，摆脱人工预设提示或硬编码策略。 规则在线精炼与修复 ：依据每轮任务执行反馈（如命令失败、LLM 规划中断等）实时校准规则边界，避免关键错误被误删或有效状态被过度裁剪，实现压缩鲁棒性闭环优化。 全局规则池与跨任务迁移 ：构建持久化、可共享的规则知识库，支持新任务启动时直接加载经历史验证的压缩策略，实现跨仓库、跨环境、跨用户的经验沉淀与复用。 即插即用免训练集成 ：以轻量插件形式嵌入现有终端 Agent（如 Harbor terminus-2），仅需添加命令行参数即可启用，不依赖模型架构修改或额外训练流程。 Token 效率与性能双增益 ：在抑制低信息量噪声的同时保障决策所需环境信号完整性，使长程多步任务的上下文增长趋于线性可控；实测在 TerminalBench 上同步提升准确率与 token 利用效率。 TACO的技术原理 问题背景 ：当前终端智能体普遍将原始 shell 输出全量回填至 LLM 上下文，导致系统日志、滚动输出、编译中间态等非关键内容随交互轮次呈二次甚至指数级膨胀，严重稀释关键故障线索，并快速耗尽上下文窗口。 三模块协同架构 ：由 规则发现器 （实时监听输出流，对超长未覆盖文本触发候选规则生成）、 规则精炼器 （结合任务成败反馈迭代修正规则适用范围）和 全局规则池 （存储经验证的稳定规则，支持跨会话加载）构成闭环演化系统。 在线运行机制 ：每轮交互优先调用全局规则池执行压缩；若遇到未覆盖的长输出，则即时触发新规则发现→本地验证→择优入库流程；整个过程由外部规划型 LLM 驱动，无需标注数据或模型更新，压缩能力随实际使用持续进化。 如何使用TACO 环境安装 ：克隆 GitHub 仓库后，在项目根目录执行 完成依赖部署；TACO 已作为 Harbor terminus-2 的原生组件默认可用。 快速启动 ：运行 Harbor 启动命令并指定 agent，传入模型配置及 TACO 参数（如 ）即可启用；项目内 提供开箱即用的调用模板。 核心参数配置 ：通过 前缀设置主开关—— 启用压缩， 激活在线规则进化；同时需配置 、 与 指向任意 OpenAI 兼容的规划 LLM 接口。 常用模式选择 ：完整能力需开启压缩+自进化+外部 LLM；若做消融实验，可加 锁定规则集；若仅限单任务本地进化且不继承全局池，则添加 。 运行控制 ：使用 控制单任务最大交互轮次，通过 传入 LiteLLM 格式 JSON，精细约束输入/输出 token 预算，确保长程任务在成本边界内稳定执行。 TACO的核心优势 即插即用零训练 ：不修改大模型权重、不重训 Agent 主干、不依赖特定训练数据，仅靠参数开关即可激活全部能力。 自进化跨任务迁移 ：全局规则池使 Agent 在长期使用中持续积累压缩经验，新任务可“继承老经验”，避免重复试错。 性能与成本双赢 ：在 TerminalBench 上稳定提升 MiniMax-M2.5、DeepSeek-V3.2、Qwen3-Coder-480B 等模型 1%–4% 准确率，并在同等 token 预算下额外增益约 2%–3% 成功率。 强泛化与低开销 ：在 SWE-Bench Lite、CompileBench、DevEval、CRUST-Bench 等多元评测集上均保持成功率持平或提升，同时总 token 消耗显著下降。 TACO的项目地址 GitHub仓库 ： https://www.php.cn/link/34c5d87943fe70502a8e9d5f758d92cb arXiv技术论文 ： https://www.php.cn/link/7029a498c4f596f73b35504df9bab02a TACO的同类竞品对比 维度TACOSWE-agentOpenHands上下文处理自进化规则压缩，全局知识池跨任务复用保留完整原始终端输出，无智能压缩机制依赖模型原生长上下文或用户自定义提示训练依赖完全免训练，即插即用免训练，但需特定 Docker 环境配置免训练，需复杂沙箱与运行时环境跨任务迁移全局规则池支持跨仓库/跨会话知识累积单任务会话隔离，历史知识不继承多任务支持，但无结构化压缩规则复用Token 效率显式过滤冗余噪声，长程任务成本线性可控原始输出回填导致 token 随轮次二次增长长程任务 token 消耗高，易触顶上下文上限开源集成开源，深度集成 Harbor 评估框架开源，社区生态成熟开源，通用 Agent 平台 TACO的应用场景 长程软件工程 Agent ：在 SWE-Bench 类多轮代码修复、编译调试、测试验证中抑制日志爆炸，维持上下文语义清晰度。 自动化运维与部署 ：高效处理海量 shell 返回的系统状态、进程快照、服务日志等冗余信息，增强 DevOps Agent 决策稳定性。 代码审查与测试分析 ：精准过滤无关编译警告、单元测试通过信息，聚焦关键错误堆栈、diff 差异与异常退出码。 学术研究复现与评测 ：作为 Harbor terminus-2 插件，支撑终端智能体的 token 效率评估、长程推理能力基准测试及算法对比实验。