让 AI 连续协助几百步，就像让人只靠一本越写越厚的会议记录工作：翻阅越来越贵，旧事压成摘要又容易漏掉关键细节。长周期 Agent——能规划步骤、调用工具并继续行动的 AI 系统——因此常受上下文容量和调用成本限制。ABBel 想换一种记法：不再反复压缩全部历史，而是维护一份自然语言“信念状态”，记录任务中的未知事项和当前判断。
这份状态会在每次获得新观察后更新，并取代完整交互历史，成为 Agent 决定下一步时直接参考的工作上下文。方法里最值得注意的一步，是对每轮信念状态的内容进行评分监督：训练目标不只看最终行动是否成功，也检查 Agent 究竟记住了什么，从源头约束信息质量。作者认为，这能缓解递归摘要在多轮压缩中逐渐丢失决策细节的问题。不过现有供稿未披露完整实验数字，实际能节省多少成本、能否稳定迁移到不同长任务，仍需结合论文结果判断。