反常识！微软最新研究：Agent 的“长记忆”可能是毒药

大数据文摘出品

最近，AI 圈出了篇挺反常识的论文。主角是微软研究院，研究对象是眼下最火的 Agent。

via https://arxiv.org/html/2610.07447v1

按常理，Agent 记得越多，活应该干得越好。但这篇 10 月 5 日挂上 arXiv 的论文《Fork-and-Flush: Escaping Idea Basins in Autoresearch Agents》说，事情可能恰恰相反：聊得越久，Agent 越容易钻进牛角尖。对付牛角尖，微软开出的药方听上去简单粗暴，定期清空聊天记录。

同一个 Agent，跑八次，像八个人

研究者盯上的是一种“自动做研究"的 Agent。它的工作方式是：提一个方案，跑实验，看分数，再根据反馈提下一个方案。一轮接一轮，一跑就是几个小时甚至好几天。

他们让同一个 Agent 在同一个任务上独立跑了八次。按理结果应该差不多，实际最终分数从 68.3 一路排到 100.0，中位数 81.9，最差和最好差了 30 多分。

更扎心的是，砸算力没用。给跑得差的那几次追加大量计算，它们就在原地打转，差距基本补不上去。

为什么会这样？团队把每次运行产出的方案按"功能相似度"画成一张二维地图，发现每次运行的方案都缩在地图的一小块区域里，从头到尾没怎么挪窝。他们给这种区域起了个名字，"思维盆地"（idea basin）。八次运行都掉进了五个不同的盆地。

同一个 Agent 同一个任务跑八次。左图：分数随算力投入的变化，八次运行 plateau 在不同高度，最终分数 68.3 到 100.0。右图：按功能相似度画的方案地图，八次运行缩进五个"思维盆地"。

这就像一个装修队，第一天定了北欧风，之后买的每一件家具都在往北欧风上靠。哪怕地中海风其实更适合这个户型，他们也想不起来了，因为手机里存满了北欧风参考图。聊天记录，就是 Agent 手机里那些参考图。

值得一提的是，这些 Agent 本来就有"自动压缩聊天记录"的机制，聊太长了会自己总结一下再继续。但实测下来，光靠压缩摘要，还是跳不出盆地。

微软的药方：记忆清空

方法叫 Fork-and-Flush，翻译过来大概是"分叉加清空"，分两步。

分叉（Fork）：把 Agent 复制成几个并行分支，每个分支都继承完整的"工作区"，也就是之前写好的代码、文件和实验结果，家当一件不落地带走。

清空（Flush）：每个分支的聊天记录清零。你们几个，别管之前是怎么想的，看着现有的东西，重新琢磨该怎么做。

分支跑一段固定时间后比一比分数，留下最好的那个继续，其余的解散。论文里有句话说得很到位：新分支必须从这些文件里重新推导出自己的意图，这正是它能落到另一个盆地里的原因。

Fork-and-Flush 示意图。左图：分叉后各分支带着同一个工作区、以空白聊天记录重新出发，胜出分支继续向上。右图：清空后的分支有机会跳进另一个思维盆地，没跳出去的就地解散。

研究者在 13 个长周期任务上做了测试，包括多连块拼图、车间调度、密码破译、压缩图像分类器、优化 VLIW 内核。单次运行从几小时到超过一百个小时，干活的模型是 GPT-5.6-terra 和 GPT-5.5，通过 GitHub Copilot 的命令行工具调用。

同样的算力预算下看归一化平均分：单跑 0.47，跑四次取最好的 0.54，Fork-and-Flush 0.78。换算成相对提升，比单跑高 66.0%，比四选一高 44.4%。13 个任务里，它在 12 个上平均分最高。发挥也更稳了，标准差从 0.26 降到 0.16。

消融实验也有意思：只清聊天记录不分叉，提升大约 22%；只分叉不清空，也有提升；但两个加在一起，效果才好。看来"遗忘"和"多试几次"各管一段。

最戏剧化的一次发生在拼图任务上。预算花到 71% 的时候触发清空，胜出的那个分支第一次提交就跨出了 43 个单位的距离。这是什么概念呢？单跑的 Agent 到了这个阶段，每步最多挪动 4.4 个单位。这一跳直接落进一个全新的盆地，最终拿到 93.9 分，而八个单跑基线的中位数是 84.6。另外三个没跳出去的分支，每步挪动不超过 1 个单位，原地留守。

拼图任务上的关键一跳。左图：蓝色箭头是胜出的 b3 分支，从分叉点直接跳进新盆地，最终 93.9 分。右图：清空之后它的第一步跨出 43 个单位，远远跳出灰色区域代表的单跑常规步幅。

模型再强，这个问题可能也在

有人可能会想，等模型更强了，大概就不会钻牛角尖了。

团队用 Qwen3.5 的 4B、9B、27B 三个尺寸，在 MAX-3-SAT 这种可以精确调节难度的题目上做了验证。结果发现，运行之间的差异呈一条倒 U 型曲线：题目太简单，每次都会做，解法趋同；题目太难，每次都做不出，失败得也趋同；差异最大的位置，恰好在模型能力的边缘，大约"能做对一半"的地方。拟合出来的峰值在 0.497，基本就是正中间。

横轴是模型相对于参考求解器的达成度，纵轴是多次运行之间的差异。三个尺寸的 Qwen3.5 描出同一条倒 U 型曲线，峰值在达成度 0.5 附近。

而开放性的研究问题，按定义就挂在能力边缘上。所以作者的判断是，模型继续变强，这种现象大概也不会消失，只是边缘会挪到更难的问题上去。定期重置上下文这招，对将来的前沿模型可能依然管用。

这个研究对做 Agent 产品的人有个挺直接的提醒："上下文是资产"这个默认假设，也许值得打个问号。积累的记忆超过某个点之后，可能会反过来限制探索，早期的推理会把 Agent 锚在一条不够好的路线上。

点「赞」的人都变好看了哦！