2026-08-06
人大等团队的综述把长程智能体定义为 harness 与模型协同演化的系统，并据 METR 数据指出前沿可用时长每 4 到 6 个月翻倍。
「长程智能体」（long-horizon agent）几乎成了 AI 圈的口头禅，但含义越来越糊。长上下文、长运行、自治（autonomous）、自演化（self-evolving）这几个词被人混着用，每个其实强调不同侧面。已有的综述通常只盯一个零件，比如记忆、上下文工程、harness、自演化或 agent 强化学习，单独看都成立，合起来却没人说清到底什么是长程智能体、怎么造一个靠谱的。
这件事重要，是因为长程能力正变成「能不能把活真正交给 agent」的那条实际分界线。论文援引 METR 的测量：前沿智能体能独立完成的任务时长，这几年从秒级一路涨到小时级；前沿编码 agent 已经能在一个项目上连跑数小时，GLM-5.1 据称能在一项任务上独立执行最长 8 小时。
长程任务为什么难？论文归纳出三种反复出现的失败模式。目标漂移与误差累积：几千步里慢慢偏离原目标，单步的小错沿轨迹越滚越大。上下文腐烂与上下文上限压力：工作上下文一过某个利用率阈值，agent 就会突然退化，或者干脆提前收工、把半成品当成成品交差。奖励稀疏、延迟且不可逆：很多任务到最后才给一个反馈信号，中间决策几乎学不到东西，而且走得越久越容易踩一个无法挽回的动作。
核心论点一句话：长程智能体是「外部 harness 工程」和「内部模型优化」两条线协同演化的系统级能力，不是基座模型自己的属性。
形式化写成 Agent = πθ ⊕ H。πθ 是基座策略，H 是环绕它的运行时结构（循环与工作流、上下文与记忆、工具与技能、编排逻辑、钩子、校验机制）。⊕ 不是简单相加，而是运行时耦合，H 把「动作、观察、记忆」的回路闭合在 πθ 周围。整个系统被建模成 POMDP（部分可观察马尔可夫决策过程），奖励通常稀疏且延迟，于是中间决策的功劳只能从一个终点信号里反推，这就是长程信用分配（credit assignment）难题。
把「任务要超出一个上下文窗口多远」当成可观测的难度轴，分出三级任务和对应的三级能力：
| 任务级 | 跨度 | 需要的能力 |
| H1 单上下文 | 分钟级，一个窗口内 | C1 交互式推理：多步互相依赖的决策串成一条轨迹 |
| H2 跨上下文 | 小时到天，撑爆一个窗口 | C2 状态与记忆：压缩、外置历史，断点续跑 |
| H3 跨任务流 | 终身级，开放任务流 | C3 经验积累：沉淀可复用技能，持续变强 |
三级嵌套：跑 H3 的 agent 在每个子任务里仍得过 C1、C2。论文据此把控制面的演化也分成三段：提示工程（2020 到 2023，CoT、Plan-and-Solve 之类）、上下文工程（2023 到 2025，RAG、GraphRAG 之类）、运行时 harness（2025 至今，ReAct、AutoGPT、OpenHands、Claude Code 之类）。全文再按六个视角铺开：基础、演化、harness、优化、应用、前沿。
作为综述，它的「结果」是一套归因框架加一份实证趋势分析，最有分量的数字来自 METR 的「50% 完成率任务时长」，也就是某 agent 能以 50% 可靠度完成的那类任务的人类专家耗时。
| 区间 | 倍增周期 | 备注 |
| 全周期（2019 起，拼接序列） | 约 196.5 天（6.5 个月） | 早期模型用 TH1.0、后期用 TH1.1 |
| 2023 年至今（TH1.1） | 约 130.8 天（4.3 个月） | 提示可能加速，但方法不同不能下定论 |
到 2026 年 5 月，前沿时长从早期模型（GPT-2）的秒级，涨到 Claude Opus 4.6 约 12 小时、Claude Mythos Preview 至少 16 小时，跨度近四个数量级。16 小时是 METR 认为当前任务集已不可靠的边界，超过这条线的估计都要打折。
应用与评测方面，论文把长程 agent 按与环境接口分成五类：软件工程、信息检索、计算机操作（浏览器、桌面、手机）、多模态、通用 agent，并给出一张约 80 多项基准与系统的对照表，刻意偏重多小时级自治，比如 MLE-bench、PaperBench、Terminal-Bench、OctoBench 和 METR 自身。作者的明确立场：一份跑分是「模型加 harness 加训练配方」的联合产物，不能只算在模型头上。
对从业者，这份综述最大的实用价值是给了一套归因词汇。当你看到某个 agent 跑分暴涨，这套框架逼你问：增量来自更强的策略、更好的运行时 harness，还是数据或评测的变动？harness 与权重双向迁移的视角还有一个直接推论：相当一部分长程能力可以靠改运行时拿到（更聪明的循环、记忆压缩、外部校验、钩子），未必非要重训。H1/H2/H3 阶梯则告诉你，你的任务到底卡在哪一级能力上。两个判断尤其值得记下：环境构建（而非模型规模）是下一阶段能力的限速环节；harness 才是生产级 agent 真正的对齐与权限面，模型侧对齐必要但通常不够。
协同演化、harness 与优化这个框架是组织视角，不是被实证证明「更优」的分类法；H1/H2/H3 同样是人为操作轴，论文自己也说时间范围是描述性的、不是定义阈值。
METR 的倍增数据是两套方法拼出来的（早期 TH1.0 加后期 TH1.1），所以「2023 年来加速到 4.3 个月」只能算提示，作者明说不能当成加速的确证。16 小时以上本就不可靠，对 Mythos Preview「至少 16 小时」这类数字要留着保留。更根本的是，这条趋势只刻画了「涨」，却解释不了「为什么涨」，无法区分增量来自策略、harness 还是二者协同，而这正是综述想解决却仍解决不了的归因难题。
范围上，它不打算覆盖通用 agent、记忆或强化学习的全貌，只取与长程相关的那部分；基准表是有代表性、非穷尽；引用里混了不少产品文档与开源实现（Claude Code、Cursor、豆包），并非都是同行评议的研究。