OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents
Jingsheng Zheng, Xinyuan Fang, Jintian Zhang, Zhengke Gui, Huajun Chen, Ningyu Zhang
cs.CL, cs.AI, cs.HC, cs.LG, cs.MA
2026-08-05
OneDayAgent 把开放日常任务拆成有界子任务、压记忆、最后验证修复，用 GLM-5.2 在 104 任务的 AgentIF-OneDay 拿到 0.821，超过最强基线 0.799；同一框架套 5 个后端都涨分。
开放式日常任务（订一趟行程、整理一份带附件的报告）给 agent 出的难题是：长程、跨环境、多模态。模型要在很多步之间保住目标和约束，同时切换异构工具和附件。结果就是三类失败扎堆出现：目标漂移（早先的格式要求到后面忘了）、状态丢失（前一个环境里搜到的证据切到本地文件环境时没接上）、上下文超载（还没出成果，context 先爆了）。
此前的工作各打一类失败：推理脚手架、反馈式修订、记忆管理。问题是这三类失败互相放大，单独修一个不够。而「一套框架能不能同时管住它们、还能跨不同后端通用」这件事，之前没人正面验证过。
OneDayAgent 是套在 LLM 后端外面的执行框架（harness），后端 LLM 负责推理，框架负责管流程。核心是三个机制。
任务分解。框架把原始请求拆成一串有界子任务，每个子任务是一个可执行单元，能调工具、产文件、提交紧凑答案。后端每步只面对一个短目标，框架则把原始请求当作全局意图兜着。子任务边界同时是省 context 的接口：后面的子任务继承任务级状态，但不继承前面那条完整 ReAct 轨迹。
执行记忆。三个子机制压住 context 压力：搜索结果截成结构化片段、长网页摘要成有界摘要、文件读取降成按模态的预览；子任务之间用提交的答案和文件句柄当紧凑检查点，跨环境复用证据而不带整条轨迹；一旦累计轨迹超过后端窗口的阈值，早期轮次被压成技术摘要，系统提示、原始任务、最近几轮原样保留，快撞硬上限时走确定性的应急裁剪。
全局验证与修复。合成产物之后，框架做一遍对照原始请求、各子任务答案、声明的附件的核验，是产物级、任务全局的，不只看最终文本。发现缺陷就进 ReAct 式修复，按核验给出的缺陷描述定点改，不重启所有子任务；改完再核验。作者说得直白：子任务全做完，不等于交付物满足原始请求，长程执行照样可能丢早期约束、漏隐性要求。
评测在 AgentIF-OneDay 上跑，104 个任务、767 个实例级评分点，覆盖工作、学习、生活三类场景。用 GLM-5.2 后端，OneDayAgent 拿到整体 0.821，是新的 SOTA。
| 方法 | 整体分 |
| AutoClaw（最强基线） | 0.799 |
| Manus | 0.645 |
| ChatGPT-Agent | 0.626 |
| OneDayAgent (GLM-5.2) | 0.821 |
同一套框架套到 5 个后端上，分数从 0.613 到 0.821：GLM-5.2 最高，Gemini-3.1-Pro 0.743，Qwen3.5-397B 0.708，Qwen3.5-9B 0.624，Qwen3.6-27B 0.613。排序还不单调，Qwen3.6-27B 没赢过更小的 Qwen3.5-9B，说明胜负更多看后端与框架的契合度而非单纯规模。
消融在 GLM-5.2 上做。执行记忆不能关，关了直接 context 爆掉做不完任务。分解和验证各做一遍：单开分解 0.804，单开验证 0.804，全开 0.821，都比基线 0.771 高。两个模块合起来的增益小于各自增益之和，说明它们修的是部分重叠的失败案例。性价比上验证完胜：验证只比基线多花 2.2 分钟就追平分解的分数，分解要多花 10.6 分钟还多调约 60% 的工具。104 个任务里 95 个一次过验证，9 个进修复，其中 6 个被救回来。
对做 agent 的人，结论是工程化的：长程日常任务，赢点在框架不在模型。同一套分解、记忆、验证修复的壳子能抬升所有测过的后端，压过单条 ReAct。最划算的单品是最后那道验证修复，低成本、追平分解的收益。换后端不是无感的，不同模型在同一工作流下会跑出不同的执行风格（时长、调用量、修复率），选型得实测。
作者标了几个边界。结论只在 AgentIF-OneDay 上成立，要推广得在更多基准上验证。跨后端不是无感迁移，分数横跨 0.613–0.821，而且全套不总是最优，验证在 17 个任务上反而比全套分高。上下文管理跟任务质量稳定的因果关系没做因果隔离。安全上，当前实现直接跑在宿主机上、没有工作区隔离，会执行任意 shell 命令且无白名单，prompt 注入如果扛过压缩还会渗进后续子任务。判官也换了：官方的 Gemini-3-Pro-Preview 在 2026 年 6 月已不可用，改用更严的 Gemini-3.1-Pro-Preview，作者因此称自己的数字偏保守。
还有一层要读者自己掂量：论文出自浙大 zjunlp，headline 后端 GLM-5.2 出自智谱，而 GLM-5.2 这条线是最高成本配置（单任务 53.6 分钟、51.6 次工具调用、585.7 KB context），跑出 0.821。0.821 对 0.799 的 2.2 个点领先，读的时候要把这点放进上下文。