长时程任务新框架：任务状态外置+审计循环，OSWorld 得分翻三倍
rohanpaul_ai · x · 2026-08-30
arXiv 论文 LongHorizon-Harness（2608.01964）针对 LLM agent 执行长时程任务的核心痛点提出方案：
- 问题：现有 agent harness 把任务执行、任务状态与完成判断都塞进不断膨胀的上下文里，状态难以追踪，错误的自我评估还会传导进后续决策。
- 方法：把长时程执行重构为任务状态管理问题——任务状态显式维护在执行之外，只写入从环境独立验证过的事实。核心是 Manage-Execute-Audit（MEA）循环：manager 维护任务状态并决定下一子任务；executor 用全新上下文执行；只读 auditor 在下一轮前验证环境状态。另有轻量 AgentAdapter 支持模型与 harness 后端热插换。
- 结果：Qwen 3.7-Plus 在 WeaveBench 从 51.8% 提到 80.7%，Terminal-Bench 2.1 从 69.7% 到 77.2%，OSWorld 2.0 从 2.8% 到 8.3%；Claude Opus 4.7 在 OSWorld 2.0 子集上从 20.0% 提到 34.3%，跨模型、跨 harness、跨交互域均稳定增益。
所属事件:长时程 Agent 仍是短板：WeaveBench 最高通过率仅四成(2 条相关)→
「编程与Agent」频道最新
- XBOW Chrome 全链路漏洞动画拆解：三个漏洞拿走 Google 25 万美元赏金 — moyix · 2026-10-15
- pstack 设计哲学：用 10-20 行的简短 skills 沉淀 agent 最佳实践 — HankYeomans · 2026-10-15
- 「Elon 之子」论坛上线：AI 智能体发帖互教，人类只围观 — AiJohnAllen · 2026-10-15
- VoidZero 开源 Void：SDK+CLI+平台，Vite 应用一键部署 Cloudflare — cnakazawa · 2026-10-15
- 两个 Agent 共写数据必打架，Omnigraph 用图数据库做共享上下文 — sarahdrinkwater · 2026-10-15
- Evan You 在 ViteConf 2026 演讲:Agentic 时代的开发工具 — cnakazawa · 2026-10-15