知识卡片：Blast Radius——面向智能体编程的预测性记忆管理方法

一句话结论

Blast Radius 是一个预测性记忆管理层，通过估计传入提示词在“上下文通道 + 代码通道”中的影响半径，对死内容进行可逆驱逐，使智能体编程在 7 个 OpenAI 模型上减少 17%–26% 的 token 消耗，并保持字节级精确可逆。

事件概述或研究问题

智能体编程（agentic coding）正面临成本上升和 token 浪费问题。现有记忆/上下文管理机制难以判断哪些上下文可以安全移除，也难以估计新提示会触及代码库中多大范围。为此，论文提出 Blast Radius：一个位于 HCRC（全称待核实）之下的预测性记忆管理层，决定哪些记录应被“埋葬”，以及传入提示可触及代码库多远。

方法/产品要点

• Blast Radius：通过耦合的上下文通道和代码通道，估计传入提示词的“爆炸半径”（reach）。
• NECROPHORESIS：一种可逆驱逐机制，通过逐字归档死上下文（archiving dead context verbatim）实现可逆驱逐。
• Recurring Dead Matter (RDM)：识别并“埋葬”反复出现的重复转录/记录。
• 理论框架：在 Polish 上下文空间上形式化“可逆上下文驱逐”，为保留、重复和驱逐提供可度量基础，并将上下文熵与“复活概率”联系起来。
• 运作位置：Blast Radius 位于 HCRC 之下，决定“埋葬”哪些记录以及传入提示能深入代码库多远。

主要结果或产业意义

• 在 7 个 OpenAI 模型上，Blast Radius 将 token 消耗减少 17%–26%。
• 在测试策略中实现了最低的溢出率（overflow rate）。
• 保持字节级精确可逆（byte exact reversible）。
• 在 450 个被“埋葬”的记录中，378 个是重复出现的死内容（recurring dead matter），0 个被召回。
• 该工作服务于更广泛的目标 Algosophy：使大语言模型和智能体编程更具可重用性和可持续性。

为什么重要

智能体编程中，上下文窗口有限性与长会话、多文件代码库之间的矛盾日益突出。Blast Radius 提供一种可度量的、可逆的上下文驱逐方法，不同于简单截断或永久删除；其“预测影响半径”思路可能成为未来代理记忆管理的基础组件，并有助于降低 AI 编程的运营成本。

局限与不确定性

• 论文中未详细说明实验的具体基准任务、基线策略、溢出率的定义以及“7 个 OpenAI 模型”具体是哪些，待核实。
• HCRC 的全称和作用在摘要中未给出，待核实。
• “Polish 上下文空间”的具体数学定义和应用方式在摘要中未展开，待核实。
• “450 个被埋葬记录”对应的实验场景、时间跨度和评估口径未提供，待核实。
• 摘要未提及该方法与现有 RAG、上下文压缩、缓存等方法的直接对比结果。

可用于图书/PPT/简报的角度

• “AI 也要‘断舍离’”：可逆记忆管理如何让智能体编程更省钱、更可持续。
• “预测影响半径”的隐喻：像拆炸弹前先判断爆炸范围一样，先判断一个提示会触及多少上下文。
• 面向 AI 工程效率的案例：仅靠上下文压缩不够，还需要可预测、可逆、能识别重复内容的记忆层。
• 从 Algosophy 视角讨论 LLM 的重用性、可持续性和“数字墓地”管理。

与既有脉络的关系

本条与已有卡片（ParseBench、π0.7）无直接重叠，属于“智能体记忆管理/上下文工程”方向的新增内容；它更接近模型推理效率和代理系统设计，而非数据解析基准或机器人控制。

原始材料

• 英文标题：Blast Radius
• 英文关键词：Agentic coding; memory management; context eviction; token efficiency; reversible context eviction; Algosophy（关键词为从摘要中提取，原文未单列）
• 作者：MY Pitsane, Hope Mogale
• 发布日期：2026-08-07（更新日期同）
• arXiv ID：2608.07440v1
• 分类：cs.AI
• 摘要 URL：https://arxiv.org/abs/2608.07440v1
• PDF URL：https://arxiv.org/pdf/2608.07440v1