2026 年 11 月 13 日——面向工具调用型 Agent 的开源阅读控制层 SparseRead,其论文称在 6 个主流模型、5 类工作场景的评测中,最高可将 token 消耗降低 92.9%、端到端耗时减少 89.0%,并在约 97% 的设置下保持或提升任务质量。项目以 MIT 协议开源,相关介绍见诸社交媒体与多个 AI 资讯渠道。

SparseRead 由 Zedong Liu 等 8 位研究者提出,论文《Read Less, Solve More: Token-Efficient Sparse Reading of External Content for AI Agents》编号 arXiv:2608.22237,8 月 23 日提交首版、11 月 7 日更新 v2。它不训练或改动 Agent 模型,而是在原生读取工具前加一层"阅读控制面":先判断任务缺什么证据,再只读相关内容。

1. 先判断缺什么,再决定读什么

工具调用型 Agent 的默认读取方式往往是"全部读入→全部放进上下文→再推理"。对长报告、PDF、代码仓库、日志与表格,这会消耗大量 token,真正用到的却只是其中一小部分。SparseRead 把控制点前移到读取之前,由三个部件协同:

  • Read Intent Protocol(阅读意图协议):跟踪任务当前需要什么信息、哪些证据已覆盖、哪些仍缺失;
  • Adaptive Reader Backends(自适应读取后端):针对文本/PDF、结构化数据与多文件集合,选择相应的搜索、定位与局部读取方式;
  • Budgeted Read Gate(预算读取门):在外部内容进入上下文前限制累计读取量,信息不足时扩大范围,必要时回退到完整原文。

读取结果以 EvidencePack 形式返回,携带来源锚点、未解决需求与下一步建议,支持细化、验证与显式原文回退。作者将其定位为 Agent Harness 中的一套阅读控制机制,而非又一个搜索工具。

2. 评测数据

论文评测覆盖 125 个任务、5 类场景与 6 个模型:Claude Opus 5、Qwen3.6-Plus、DeepSeek-V4-Flash、DeepSeek-V4-Pro、GLM-5.1、Kimi-K2.5。

指标 论文报告结果
最高 token 降幅 92.9%
最高端到端耗时降幅 89.0%
token 降幅中位数 61.4%
耗时降幅中位数 53.7%
token 与耗时同时下降的设置 30 / 30
得分保持或提升的设置 29 / 30(约 97%)

分场景看,长上下文任务省 token 76.5–92.9%、省时 67.1–89.0%;Web 深度搜索省 token 31.0–43.0%、省时 23.0–37.0%,且 6 个模型得分均提升 5–14 个百分点。唯一出现得分回退的是 GLM-5.1 在 AI for Science 场景。

3. 跨框架可迁移性

论文在三个框架上评测了同一协议与读取后端,当前发布另新增 Claude Code、Codex 与 Pi 适配:

框架 token 中位降幅 耗时中位降幅 状态
NanoBot 69.0% 64.4% 论文已评测
OpenCode 71.8% 64.9% 论文已评测
OpenClaw 28.7% 28.2% 论文已评测
Claude Code — — 本发布支持(MCP+会话 hooks)
Codex / Pi — — 源码适配,未入论文基准

4. 安装与获取

当前版本 v0.1.3 采用源码安装,需 Python 3.11+ 与 uv,OpenCode/OpenClaw/Codex/Pi 另需 Node.js 22+。代码仓库为 Liuzedooong/SparseReading(保留原仓库提交历史的独立迁移仓库,未继承原 Star 与 Release 附件),项目网站为 sparseread.pages.dev。PyPI、npm 与各框架官方市场的一键发布尚未接通。官方同时提醒,SparseRead 是选择性基础设施:小文件、精确全表计算等低稀疏任务仍应使用原生读取。