ARSM：用于智能体推理压缩的自回归状态机

基于摘要分析。该研究针对 LLM 智能体在长程任务中持续积累交互上下文所造成的记忆瓶颈，提出免训练的 Auto-Regressive State Machine（ARSM），通过结构化状态演化进行原位推理压缩。其主要研究对象是智能体的交互历史与工作记忆，而非 EEG 信号或 BCI 解码。 ARSM 包含两个核心组件：轨迹抽象机制将交互历史重组为紧凑的 Hypothesis-Action-Result（HAR，假设—行动—结果）微链；动态状态机通过原子操作与压缩控制参数管理分层记忆。二者统一于自回归、自压缩的生成空间，使每次模型输出同时承担外部行动执行与内部状态更新。其设计重点是压缩时保留交互中的结构关系，而不只是缩短文本；原子操作的具体定义、控制参数的作用方式及状态表示格式尚未验证。 作者报告，在 Webshop、Multi-Objective Multi-Hop QA 和 SWE-Bench Lite 上，ARSM 在保持任务表现的同时减少了 token 消耗。摘要未提供具体指标、节省幅度、所用 LLM、上下文预算及对照方法，因此尚不能判断不同任务上的收益大小或成本与表现之间的权衡。实验协议、消融及统计信息尚未验证，免训练也不等于没有额外推理开销。 该材料的直接价值在于智能体记忆压缩机制。摘要未建立其与 EEG/BCI 数据结构或解码瓶颈的具体对应关系，因此不据此推断 BCI 有效性，也不提出信号建模迁移实验。复现评估需进一步取得完整状态更新规则、提示模板、压缩触发条件及 token 成本统计口径。