综述把长时程智能体拆成推理、记忆和经验三层
theomitsa · x · 2026-07-27
一篇综述把长时程智能体拆成三层能力
这条转发的是一篇关于 Long-Horizon Agents 的综述和配图，核心观点是：智能体能力的提升，来自两条线共同推进——一条是外部脚手架/编排系统，另一条是模型内部化优化。
主要内容
- 外部化 harness 工程：包括工作流、记忆管理、工具接口、MCP、校验与回退机制等。
- 内部化模型优化：包括更好的核心策略、合成微调、agentic RL 等。
- 配图把长时程智能体分成三层：
- H1：上下文内推理，单个窗口内完成的任务。
- H2：跨上下文记忆，靠状态与记忆压缩支撑跨小时/天的任务。
- H3：跨任务经验，能在开放式流中持续运行，把历史交互转化为可复用技能。
- 图中还展示，前沿智能体可处理任务的中位时长从 2020 年的秒级，延长到 2026 年的数小时级。
- 主要失败模式包括：目标漂移、上下文腐烂 和 稀疏奖励。
- 典型高影响应用是 软件工程、信息检索 和 电脑操作。
所属事件:长程智能体综述：系统架构比单纯堆模型更重要(2 条相关)→
「编程与Agent」频道最新
- MindGraph把共享智能体记忆变成可治理的组织大脑 — ShanRizvi · 2026-07-28
- Qwen 3.6 27B 本地 agent 调整 KV 量化后明显变聪明 — Jordanthecomeback · 2026-07-28
- 开发者称把 K3 接到 Codex Desktop 上是个“大错误” — HamelHusain · 2026-07-28
- 本地双智能体方案抓住了 AI 偷换 SQLite 为 Postgres — PrajwalTomar_ · 2026-07-28
- 微软研究院揭示 LLM 致命缺陷：多轮对话极易丢失用户意图 — alan_ritter · 2026-07-28
- 创业者沉迷大而全，AI 时代更需组件化突破 — zeeg · 2026-07-28