📰 概要

LLM的上下文记忆，一直是难题。模型不知道该记住什么、该忘记什么，靠prompt engineering弥补。

Cornell大学的研究人员提出了LCM（Lossless Context Management，无损上下文管理）。论文发布于2026年2月14日。

基于LCM的代码智能体Volt，在32K到1M token每个上下文长度上均超越Claude Code。核心创新：层级摘要DAG保留无损指针。引擎管理的并行原语替代模型自写循环。

🔍 解读

Claude Code的记忆瓶颈

Claude Code依赖模型自身上下文窗口管理对话历史，在「记住完整上下文」和「太长性能下降」之间难平衡。LCM的思路是：不靠模型自己记，让架构来管理。

作者打了个比方：LCM相对于纯模型记忆的关系，就像结构化编程相对于GOTO。牺牲了最大灵活性，换来了终止保证、短任务零开销、无损可检索。

两层核心机制

第一层：递归上下文压缩。层级摘要DAG自动压缩旧消息，保留无损指针指向每条原始消息。压缩有损，恢复无损。

第二层：递归任务分区。引擎管理的并行原语（如LLM-Map）替代模型自写的循环结构，确保并行任务在结构化框架内执行，不会死锁或无限循环。

实测表现

在OOLONG长上下文评测基准上，Volt智能体在每个上下文长度区间（32K到1M）均优于Claude Code。上下文越长，差距越大，Claude Code衰减更快。

什么情况不适合用

LCM目前是研究原型，实际工程落地还有距离。确定性的结构化方法对需要高度灵活性的任务可能反而是限制。

你应该关注什么

代码智能体的记忆管理是下一个竞争热点。Claude Code的领先优势被研究团队正面挑战，意味着2026年下半年，这一领域将迎来技术迭代。