迈向长程智能体，人大高瓴发布149页全景综述

过去几年，大模型已经从单轮聊天机器人，快速演变为软件工程、深度检索、计算机操作、多模态交互与科学发现中的决策核心。新的问题随之出现：一个智能体即使单步表现足够聪明，能否在数百、数千次相互依赖的行动中始终记得目标、修正错误、管理上下文，并可靠安全地把任务做完？

这正是长程智能体（Long-Horizon Agents）研究要回答的问题。在智能体能力快速演进的今天，长程能力正日益成为其进入真实生产环境的核心瓶颈。依据 METR 的测量：在约 50% 成功率下，前沿智能体完成软件工程类任务的 “人类专家等效时长” 已从早期模型的秒级提升到十余小时。如图 1 所示，该时间跨度大约每 7 个月翻一倍；从 2023 年后，翻倍周期进一步缩短至约 4 个月，这说明智能体的长程能力仍处在高速扩展阶段。

图 1 前沿智能体可完成任务的时间跨度持续增长

在本文中，我们想强调的是：智能体 “跑得久”，并不等于 “具备长程能力”。真正的关键，不在于占用更多时间与算力，而在于能否在更长、更复杂、更真实的推理依赖链上持续、有效地行动。长期以来，Autonomous Agent、Self-Evolving Agent 等概念常与长程智能体混用。为理理清这一局面，这篇 149 页综述系统梳理超过 900 项研究、系统与工程实践，首次以「外部脚手架工程 × 内部模型优化」的协同演化视角，给出长程智能体的统一定义、完整分类与未来路线图。

• 论文标题：Towards Long-Horizon Agents: A Survey
  
• 项目主页：https://long-horizon-agents.github.io/
  
• 论文链接：https://openreview.net/forum?id=HyhfhlbWGh
• 项目仓库：https://github.com/RUC-NLPIR/Awesome-Long-Horizon-Agents
  

目前该综述刚发布就在小红书、GitHub、X 等社交平台上收获极高的关注度与反响！

为什么长程任务难：

单步错误的积累会导致整条轨迹失控

长程任务的难点并不只是某一步是否答对，而是大量紧密耦合的步骤必须组成一条连贯轨迹。单步看似微小的偏差，在长链条中会被反复继承和放大。论文将典型失败归纳为三类：

• 目标漂移与误差累积：执行数千步后，Agent 逐渐偏离最初目标；局部错误不断叠加最终把整条轨迹带向错误方向。
• 上下文腐化与窗口压力：上下文并非越长越好。随着历史推理轨迹和工具输出的不断堆积，模型可能会出现性能骤降，也可能因感知到窗口将满而过早结束任务。
• 稀疏、延迟奖励与不可逆行动：很多任务只在最后给出奖励信号，这使得中间决策难以获得准确归因；而任务执行过程越长，出现误删数据、错误授权或错误操作等不可逆操作的风险越高。

这意味着，单纯扩大参数量或上下文窗口并不能解决全部问题。一个模型即使拥有更强推理能力，如果缺少计划维护、状态持久化、工具治理、验证和恢复机制，仍可能在长轨迹中迅速失控。

核心论点：

智能体外部和内部协同进化

基于上述挑战，本综述提出的核心论点：“长程智能体能力” 是系统级能力，它源于外部 “脚手架工程（Harness Engineering）” 与内部 “模型优化（Model Optimization）” 的协同演进。

理解长程智能体的关键是把视线从模型单体移向由模型与 Harness 共同构成的完整系统。模型提供推理和行动的策略；而 Harness 则负责进一步支持模型决策的执行，包括组织上下文、维护状态、调度工具、编排流程，并对关键步骤进行验证与恢复。二者共同决定智能体能否沿着一条漫长而相互依赖的轨迹稳定前进。因此，长程能力应被视为整个 Model-Harness 系统的属性，而不是基础模型的一项孤立指标。

论文进一步提出一条双向演化路径：如图 2 所示，Harness Engineering 先把计划、记忆、工具和验证等能力外置，用工程手段迅速拓展模型的能力边界；系统在真实交互中积累的轨迹与反馈，再通过 Model Optimization，用数据 / 环境构造、微调、强化学习、蒸馏和自进化等策略逐步沉淀到模型内部。模型变强后，又能驾驭更复杂的 Harness。外部能力扩展与内部能力吸收由此形成持续循环。

图 2 长程智能体研究全景：外部脚手架工程与内部模型优化共同进化

三层长程阶梯：从长窗口推理，

到跨会话记忆，再到跨任务泛化

本论文不以 “运行时长” 作为长程任务的唯一标准，而是考察任务是否包含大量相互依赖的逻辑决策，以及这些依赖需要跨越多大的执行边界。如图 3 琐事，本文提出 H1 - H3 三层任务与 C1 - C3 三层能力的阶梯框架：

任务层级：

• H1｜窗口内任务：单上下文窗口内完成，但不是一次回答就结束；须在持续交互中，把相互依赖的决定组成连贯轨迹。
• H2｜跨窗口 / 跨会话任务：远超单窗口或单会话（常持续数小时至数天）；须压缩上下文，并在中断或交接后恢复进度。
• H3｜跨任务流：任务持续到来，总目标跨越多个子任务与环境；要求持久运行，而非封闭的一次性回合。

能力层级：

• C1｜交互式推理（对 H1）：规划 — 行动 — 观察 — 修正，维持连贯路径。
• C2｜状态与记忆（对 H2）：在 C1 之上，读写记忆、建检查点、可靠恢复。
• C3｜经验积累（对 H3）：在 C1/C2 之上，沉淀可复用技能，从经验中泛化并持续改进。

可以看出，三个能力层级并不是彼此割裂的：C2 以 C1 为前提，C3 又建立在 C1 与 C2 之上。一个能够长期成长的 H3 智能体，仍必须在每个具体任务中维持稳定推理和可靠记忆。

图 3 三类长程任务及其对应能力，任务跨度越大，能力要求越高

从 Prompt 到 Harness：

智能体控制面的三次跃迁

如图 4 ，本综述将大模型系统的演进概括为三个阶段。变化的关键不是 “提示词越来越长”，而是可被工程化控制的范围不断向外扩展。

图 4 长程智能体跨越三个阶段的演进概览

阶段一：Prompt Engineering（2020 - 2023）。通过指令、思维链、任务分解和自我修正等提示策略，引导模型在单次调用中产生更可靠的推理。控制主要集中在输入文本。

阶段二：Context Engineering（2023 - 2025）。系统开始主动组织检索结果、工具返回、对话历史与压缩摘要。重点从 “如何写一个好提示” 转向 “每一步究竟让模型看到什么上下文”。

阶段三：Runtime Harness（2025 至今）。控制面扩展到智能体运行脚手架：Harness 不仅组织上下文，还管理工具、记忆、工作流、权限、验证、恢复和多智能体协作。Agent 由一次模型调用，演化为可持续运行的智能体系统。

这一演进也解释了为什么当下的 Agent 竞争越来越像系统工程竞争：同一个基础模型，在不同 Harness 中可能呈现截然不同的任务上限、成本和可靠性。

六维图谱：

把碎片化智能体研究放进统一坐标系

本综述从 Foundation、Evolution、Harness、Optimization、Application 和 Frontier 六个视角下，如图 5 所示，论文将分散在记忆、工具学习、多智能体、强化学习、上下文工程、安全治理等方向的工作放入同一张图谱。其价值不仅是 “列出更多论文”，更在于回答每项改进究竟发生在哪里：是基础策略更强，还是 Harness 更完善；是提升单窗口推理，还是解决跨会话状态；是任务成功率更高，还是成本和安全边界得到改善。

图 5 长程智能体研究的统一分类框架：从演化、Harness、模型优化和应用，延伸至开放前沿

外部 Harness：

让长程能力可控制、可验证、可恢复

如图 6 所示，本综述把 Harness 拆为六个相互连接的核心组件，覆盖从目标设定到最终交付的完整生命周期：

• 循环与工作流：包括线性执行、Plan—Execute 和分支搜索。它们负责显式分解任务、追踪子目标，并在失败时重规划或回退。
• 上下文与记忆：对工作上下文执行丢弃、压缩和选择，将长期有效的信息写入持久记忆，避免上下文无限膨胀。
• 工具、MCP 与技能：连接外部能力，支持工具接口与协议、主动工具发现以及可复用技能库。工具越多，选择、描述和安全治理也越重要。
• 编排：完成任务分解、角色分配、协作拓扑和通信协议管理，使多个模型或智能体能够协同，而不是互相制造噪声。
• Hooks 与中间件：在输入、工具调用和协议边界执行规则、权限、监控与安全策略，并可根据风险动态调整。
• 验证：从步骤级到任务结束级检查正确性、安全性和目标一致性，并用外部信号驱动修正，而非依赖模型自我认可。

值得注意的是，Harness 并不只是 “给模型套一层壳”。它承担的是长期执行中的状态机、控制器和安全边界：当模型出现短视、遗忘或误判时，Harness 必须能让系统停下来、检查、切换路径或恢复。

图 6 Agent Harness 全景：六个核心组件贯穿从目标设定、规划执行到反思恢复、验证交付的完整生命周期。

内部优化：

把外化长程能力逐步写回模型内部

如果说 Harness 解决的是 “运行时怎样把事情做完”，内部模型优化解决的则是 “如何让策略本身越来越适合长程任务”。综述沿完整训练链路梳理了七类方向：

• 架构底座：显式长上下文、压缩状态、混合架构与高吞吐机制，使长轨迹可表示、可训练、可负担地解码。
• 任务、环境与轨迹合成：构建规模化、可验证、足够真实的交互环境，并生成包含成功与失败经验的长轨迹数据。
• 预训练与中期训练：注入推理先验、长上下文状态、多模态感知和合理数据配比。
• 微调：通过指令选择、课程学习与蒸馏，让模型先掌握基础交互，再逐步面对更长、更难的任务。
• 智能体强化学习：处理长轨迹中的信用分配、策略优化、采样策略与多轮交互，使稀疏终局奖励能够指导中间步骤。
• On-Policy Distillation：从模型自己生成、且不断变化的分布中学习，缩短教师策略与部署策略之间的偏差。
• 自进化：从离线经验整理走向在线自我改进，进一步探索智能体与环境共同演化。

这条链路强调：训练数据不能只包含最终答案，还需要真实的环境反馈、过程状态、工具结果与错误恢复轨迹；优化目标也不能只看单步准确率，而要关注整条轨迹是否高效、可恢复且满足最终约束。

图 7 长程智能体能力的训练管线：以架构底座为基础，通过数据与环境合成、预训练、微调、强化学习、在线策略蒸馏和自进化，将运行时能力逐步内化进模型

长程智能体的形态：

以接口为线索的五类应用

如图 8 所示，论文按 Agent 与环境交互的接口，将实践形态归纳为五类。看似不同的应用，背后都承受目标漂移、状态持久化、反馈利用和验证恢复等共同压力：

• 软件工程：理解大型代码仓库，维护跨文件计划，根据测试与评审反馈反复修复。
• 信息检索：执行深度或广度搜索，整合多源证据，在长链检索保持结论可追溯。
• 计算机操作：在浏览器、桌面和移动端持续感知界面状态，完成真实操作。
• 多模态智能体：在图像、视频、音频等高成本信息中主动选择观察对象，并完成跨模态理解与生成。
• 通用智能体：面向个人助理、具身系统和生产力任务，在多工具、多环境和长期目标之间切换。
• 
  

相应地，评测也必须从一次性问答升级为 “面向时间跨度的评测”：任务是否真正包含长依赖？中间步骤能否检查？失败后是否恢复？系统在不同预算和 Harness 下的能力是否可归因？这些问题将直接决定榜单结果能否反映真实部署价值。

图 8 长程智能体的五类代表性应用形态

未来展望：

长程智能体的四个前沿方向

论文最终将开放问题归纳为四个轴、九个具体方向。随着任务跨度继续增长，研究重点将从 “能不能跑起来” 转向 “能否长期有效、经济并且可信地运行”。

• Evolution：泛化与持续学习。让 Harness 自身能够演化、迁移和复用，并支持持续学习与终身学习。关键问题是：外置流程如何自动优化，又如何把经验稳定地内化为长期能力。
• Effectiveness：进入真实环境。构建既可验证又足够真实的训练环境，提高昂贵真实交互的样本效率，并推动数字 Agent 向具身智能体迁移。论文认为，下一阶段的限速因素可能不再只是模型规模，而是环境构建。
• Efficiency：学会花预算。未来 Agent 需要感知任务难度、剩余 token、时间和金钱预算，动态决定何时深思、何时压缩上下文、何时切换模型。多模态场景还要决定保留哪些帧、音频或视觉证据。
• Trustworthiness：可恢复且可治理的自治。长轨迹会放大错误与权限风险，因此需要更早识别失败路径，以外部验证锚定反思，并通过最小权限、审批门、沙箱、来源追踪和独立审计保护安全不变量。

其中，一个重要判断是：生产环境中的安全与权限边界，主要落在 Harness，而非模型权重中。模型侧对齐必要但不充分；真正决定哪些工具可调用、哪些行动需审批、哪些经验可复用的，是运行时控制层。

总结：迈向长程智能体

过去的大模型 Scaling 围着参数、数据和算力而优化；进入智能体后，时间跨度成为另一条轴线：衡量的不是系统能跑多久，而是能否在更长、更复杂、更真实的依赖链上持续有效行动。这篇综述的核心判断很明确：长程智能体不是 “更聪明” 的单点升级，而是 Harness 工程与模型优化共同演化 的结果。从基础、演化、Harness、优化、应用到前沿，我们把分散研究收进同一张地图，也把开放问题落在演化、有效性、效率与可信性四条轴上。在梳理既有工作之外，我们还提炼若干将定义下一阶段长程智能体研究的新兴方向。希望本文能为后续研究奠定坚实基础，并为研究者与实践者提供有用参考。随着智能体系统不断成熟，长程智能体仍将是一个核心而开放的问题，并很可能在构建稳健、通用、持久的人工智能中发挥决定性作用。

作者信息：本文由中国人民大学、北京大学、清华大学、中山大学、香港科技大学和新加坡国立大学的研究者联合完成。论文的核心贡献者为董冠霆、宋晓帅、扈煜阳、金佳杰与张宬浩，通讯作者为中国人民大学高瓴人工智能学院窦志成教授。