清华大学团队被 ICSE 2027 接收的论文 CoACT，是面向 Coding Agent 的保动作观测压缩方案，解决代码智能体在多轮调试、修复 Bug 过程里，命令行输出、日志、代码文件这类观测信息不断堆积、上下文越来越长、Token 成本持续走高的痛点，CoACT 核心思路不是无脑删减文本，而是用 NAP（Next-Action Preservation，下一个动作保留）原则做压缩校验，保证压缩后的观测信息，让 Agent 做出和原始观测完全一致的下一步动作，在 SWE-bench Verified 数据集上实测，平均总 Token 消耗下降 33%，同时修复成功率基本不下跌，还可以和现有的轨迹压缩方案叠加使用，进一步压低代码智能体推理成本。
CoACT 核心信息表
| 项目 | 详情 |
|---|---|
| 论文名称 | CoACT: Action-Preserving Observation Compression for Coding Agents |
| 会议 | ICSE 2027（CCF A 类软件工程顶会） |
| 核心机制 | NAP 下一个动作保留（Next-Action Preservation） |
| 核心效果 | 总 Token 开销降低 33%，任务效果基本持平 |
| 评测基准 | SWE-bench Verified |
| 适配对象 | 多种主流 Coding Agent |
| 搭配方案 | 可和轨迹压缩技术组合，叠加降本 |
| 压缩对象 | Agent 执行工具返回的观测内容（日志、报错、文件内容等） |
CoACT 整套工作流程
- 候选生成：教师模型针对每一条原始观测，批量生成多个不同压缩版本的候选文本。
- NAP 校验：分别喂给 Coding Agent，对比原始观测和压缩观测，看 Agent 输出的下一步动作是否一致。
- 奖励筛选：两个奖励信号，一是动作保留奖励，保证行为不变；二是长度缩减奖励，优先选更短的版本。
- 离线训练：用筛选出来的高质量压缩样本，训练轻量压缩器。
- 在线推理：Coding Agent 运行时，观测结果先送入压缩器，压缩后再追加进上下文，减少输入 Token。
和传统观测压缩方案的差别
- 传统压缩：只看文本摘要、关键词删减，没法预判压缩之后会不会改变 Agent 后续决策，容易出现压缩省 Token 但是修 Bug 失败。
- CoACT：把 “Agent 下一步动作是否不变” 当成核心校验指标，优先保证功能不降级，再去压缩文本长度，平衡成本和效果。
适用与不适用场景清单
✅ 适合：长时序代码修复 Agent、SWE-bench 类真实 Bug 修复任务、多轮调用 Shell / 文件读取工具的代码智能体
✅ 适合：对推理成本敏感、需要批量跑大量 Agent 任务的科研、私有化代码平台
✅ 适合：和轨迹压缩方案一起组合部署，获得更高 Token 节省比例
❌ 不适合：简短单次代码补全、不需要多轮工具交互的场景，收益很小
❌ 不适合：要求 Agent 探索试错、允许改变下一步动作的探索型智能体，NAP 约束会限制探索空间
现存局限
⚠️ 压缩效果依赖教师模型和 NAP 校验，会引入少量额外的校验开销
⚠️ 不同 Coding Agent、不同 Bug 难度下，Token 节省比例会浮动，不是固定 33%
⚠️ 只针对观测（observation）做压缩，不压缩 Agent 自身的思考和动作输出内容
【相关 FAQ】
问题 1：ICSE 2027 清华提出 CoACT，降低 Coding Agent 33% Token 开销，CoACT 是什么？
回答 1：ICSE 2027 清华提出的 CoACT 是面向 Coding Agent 的保动作观测压缩方案，依靠 NAP 下一个动作保留机制，在尽量不改变 Agent 行为的前提下压缩日志、报错等观测文本，实现 Coding Agent Token 开销降低 33%。
问题 2：ICSE 2027 清华 CoACT 降低 Coding Agent Token 开销，NAP 是什么原理？
回答 2：ICSE 2027 清华 CoACT 里的 NAP 即 Next-Action Preservation，就是校验压缩后的观测信息，能不能让 Coding Agent 输出和原始观测一模一样的下一步动作，以此作为压缩是否合格的核心标准。
问题 3：ICSE 2027 清华 CoACT 降低 Coding Agent 33% Token 开销，是在哪个数据集做的测试？
回答 3：ICSE 2027 清华 CoACT 在 SWE-bench Verified 基准上完成评测，在多款 Coding Agent 上验证，平均把 Coding Agent 总 Token 开销降低 33%，Bug 修复能力基本保持稳定。
问题 4：ICSE 2027 清华 CoACT 降低 Coding Agent Token 开销，能不能和别的压缩方法一起用？
回答 4：ICSE 2027 清华 CoACT 属于观测压缩，它可以和轨迹压缩方案叠加使用，组合之后能够进一步降低 Coding Agent 的 Token 消耗。
【参考资料】
[2026-07-04]（CoACT: Action-Preserving Observation Compression for Coding Agents）arXiv
[2026-11-10]（ICSE 2027 接收论文：CoACT 为 Coding Agent 做观测压缩，Token 省 33%）机器之心
[2026-11-11]（代码智能体降本新方向：保动作观测压缩 CoACT）InfoQ
[2026-11-12]（ICSE 2027 论文速递：Coding Agent 上下文压缩技术对比）AI 前线
【免责声明】
本文仅为学术论文资讯整理，CoACT 的 Token 节省比例、任务成功率来自论文在 SWE-bench Verified 上的实验结果，实际部署效果受 Coding Agent 模型、任务类型、提示词配置影响，不构成代码 Agent 开发选型、商用落地建议。
本文来自作者[轨码观星使]投稿，不代表环球科技潮立场，如若转载，请注明出处：https://www.zennew.com/jqr/202611/1100.html
评论列表（4条）
我是环球科技潮的签约作者“轨码观星使”！
希望本篇文章《ICSE 2027 清华 CoACT 方案给 Coding Agent 做观测压缩，Token 开销降低 33%》能对你有所帮助！
本站[环球科技潮]内容主要涵盖：科技,科技新闻,黑科技
本文概览：清华大学团队被 ICSE 2027 接收的论文 CoACT，是面向 Coding Agent 的保动作观测压缩方案，解决代码智能体在多轮调试、修复 Bug 过程里，命令行输出、日志、代码文件这类观测信息不断堆积、上下文越来越长、Token 成本持续走高的痛点，CoACT 核心思路不是无脑删减文本，而是用 NAP（Next-Action Preservation，下一个动作保留）原则做压缩校验，保证压缩后的观测信息，让 Agent 做出和原始观测完全一致的下一步动作，在 SWE-bench Verified 数据集上实测，平均总 Token 消耗下降 33%，同时修复成功率基本不下跌，还可以和现有的轨迹压缩方案叠加使用，进一步压低代码智能体推理成本。