PRO-LONG 用完整行动日志，让长程智能体在 ARC-AGI-3 提升 18 分
rohanpaul_ai · x · 2026-07-24
这篇论文的核心观点很直接：长任务智能体想做得更稳，记忆最好别过早压缩或丢弃。
- 作者提出 PRO-LONG：不是不断总结旧信息，而是把每一次观察、动作、结果和短计划都写进一个结构化日志里。
- 之后智能体再用普通工具（例如搜索命令、Python）去从日志中找回真正相关的证据。
- 在 ARC-AGI-3 的 25 个隐藏规则游戏 上，这种方法让同一基座智能体平均提升了 18 个百分点。
- 它还能以 少 4.2 到 5.8 倍 的计费 token，达到或接近更强的专用系统表现。
- 论文结论是：长程智能体记忆，也许最有效的不是“更会总结”，而是保留完整记录 + 可编程检索。
所属事件:研究提出PRO-LONG框架以优化Agent上下文管理(4 条相关)→
「编程与Agent」频道最新
- 开源 Agent Skill 2.3k 星:生成 MVP 蓝图并审计重构 agentic harness — tom_doerr · 2026-09-11
- Cognition SWE-2 用 KKT 对偶优化长度惩罚，一次 RL 推移 Pareto 曲线 — YouJiacheng · 2026-09-11
- 首届 Three.js 大会落地巴黎，AI 正缩短从想法到原型的距离 — OdinLovis · 2026-09-11
- 观点：Agent 真正的瓶颈是企业数据工程能力 — dhruv2038 · 2026-09-11
- 实测戳破 RTK 省钱神话:token 省了,账单分文未降 — Bartaseth · 2026-09-11
- GPT-6 Astra 用时 44 小时通关含敌人 Factorio,API 成本约 4500 美元 — liminal_bardo · 2026-09-11