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
- 零基础学员经 AI 辅导也能跑通完整 CI/CD 流水线 — curious_vii · 2026-10-26
- Ruff 作者感叹:前沿模型能在任何软件里找到无穷多 bug — charliermarsh · 2026-10-26
- 开发者实测同一 skill 跨 Opus 5.5 与 Sol 6.1:指令遵循表现参差 — lucasmeijer · 2026-10-26
- 用小开源模型逆向工程游戏二进制:主 agent 中途重写子 agent 的 harness — yb2698 · 2026-10-26
- ContractSim：首个评估 LLM 自然语言合同谈判的框架 — xuanalogue · 2026-10-26
- Hugging Face 线下研讨会：微软、Mercor 等四方实战分享 Agent 后训练方法 — Hugging Face · 2026-10-26