SparseRead：让 AI Agent 少读内容，也能更快完成任务

导语

让 AI Agent 浏览网页、分析日志或检查代码时，一个常见问题是“读得太多”。用户可能只想定位一个报错，代理却先把整份日志塞进上下文；面对一个大型仓库，它也可能逐文件加载内容。这样的全量阅读不仅增加 Token 和延迟，还可能让真正重要的证据淹没在无关文本中。

中国科学院计算技术研究所团队提出的 SparseRead，试图把“阅读什么、读多少、何时继续读”从模型内部推理中抽离出来，做成一个可复用的阅读控制层。它不要求重新训练或修改 Agent 模型，而是改变外部内容进入上下文的方式。

核心设计

• Read Intent Protocol：跟踪阅读意图。 代理的需求会随着任务推进而变化。该协议记录当前要寻找的证据以及已经覆盖的来源，帮助阅读器判断下一步是否需要扩大范围。
• Adaptive Reader Backends：按资源选择阅读方式。 不同资源适合不同的证据获取策略：网页、文档、仓库文件和工具返回结果可以通过统一 Reader 接口接入，同时由不同后端负责定位和暴露内容。
• Budgeted Read Gate：限制原始内容暴露。 系统对一次任务中累计暴露给模型的原始内容设置预算，优先提供预览、相关片段和来源位置。如果局部阅读无法满足任务，仍可忠实回退到完整视图，避免为节省 Token 而牺牲可用性。

从交互上看，SparseRead 更像一个渐进式阅读流程：先看内容概览，再读取带位置标记的相关区段，必要时继续请求更多内容。对于确实要求通读的任务，系统不会强行稀疏化。

效果与边界

论文在六个模型和五类场景上评估了该方法，共覆盖125项任务。相较于直接全文阅读，SparseRead 的最高 Token 降幅为92.9%，墙钟时间最高减少89.0%；在30组模型—工作负载组合中，有26组的任务质量保持不变或得到提升。针对 Web 深度搜索任务，Token 使用量减少31.0%至43.0%，完成时间减少23.0%至37.0%。消融实验分别验证了三项设计的作用，并在三个 Agent 框架中展示了可移植性。

这些结果并不意味着“读得越少越好”。SparseRead 的关键在于把稀疏阅读和完整阅读结合起来：当任务证据集中时减少输入，当证据分散或任务本身要求全量信息时保留回退路径。其价值因此不只是压缩上下文，也包括降低长任务的延迟和成本，并改善证据呈现的聚焦程度。

意义与影响

对于 Agent 开发者，阅读接口可能和模型、工具调用一样重要。一个统一的 Reader 抽象，可以让同一套代理逻辑适配多种外部资源；预算门控则为长期运行任务提供了更明确的 Token 成本边界。对于日志分析、代码审查、资料检索和深度搜索等场景，渐进式取证有望减少无效上下文，同时保留必要时的完整访问能力。

不过，实际效果仍取决于阅读后端的定位质量、任务是否具有稀疏证据结构，以及代理能否提出有效的后续读取请求。因此，SparseRead 更适合作为 Agent 系统的基础设施，而不是替代模型判断的万能压缩器。

来源：Hugging Face Daily Papers