清除聊天历史有助于 AI 智能体找到更好的解决方案
微软研究院发现,长时间运行的 AI 研究智能体会因累积的对话上下文而陷入“想法盆地”,即使增加计算量也难以跳出。其提出的 Fork-and-Flush 方法通过分叉并清空各分支聊天上下文、保留工作区,在 13 个长任务上显著提升平均分和稳定性,表明定期重置上下文对前沿研究智能体仍有价值。
原贴
查看原文原文
中文翻译
微软研究院的一项研究发现,长时间运行的 AI 研究智能体尽管增加了计算量,也可能陷入停滞。
累积的对话上下文会限制它们的搜索,使其专注于相似的解决方案,而不是探索更好的方法。
微软研究人员研究了他们所称的“自动研究智能体”,即反复提出解决方案、评估方案并根据反馈进行改进的 AI 系统。
同一智能体在同一任务上的八次独立运行在不同的性能水平上陷入停滞,最终得分从 68.3 到 100.0 不等。
根据该论文,即使大幅增加计算量,这些差距仍然存在。
研究人员将所有运行的解决方案绘制在一张二维地图上,该地图将相似的解决方案放在一起,然后进行比较。
单次运行的解决方案几乎总是停留在该地图的一个小区域内。
作者将这些区域称为“想法盆地”。
这些智能体将剩余计算预算的很大一部分用于在生产力较低的区域中改进解决方案,而不是寻找其他运行所发现的更好方法。
即使智能体定期压缩其对话历史,这种模式仍然存在。
所提出的方法“Fork-and-Flush”结合了两种机制。
在“分叉”中,智能体分裂为 K 个并行分支,每个分支继承之前的工作区和所有生成的文件。
在“冲洗”中,每个分支失去其整个聊天上下文,但保留工作区,使其能够开始新的对话并在先前工作的基础上继续。
保留父进程聊天上下文的分支往往会回到同一个想法盆地,因为先前的推理会引导其后续步骤。
新的上下文恢复了搜索的多样性。
对话历史丢失了,但代码、文件和保存的结果仍保留在工作区中。
研究人员在 13 个长时间运行的任务上测试了 Fork-and-Flush,包括多联骨牌拼装、作业车间调度和密码分析。
这些任务还包括压缩 CIFAR 分类器和优化 VLIW 内核。
单次运行持续数小时到超过 100 小时。
这些智能体通过 GitHub Copilot CLI 使用了 GPT-5.6-terra 和 GPT-5.5。
在相同计算预算下,Fork-and-Flush 取得了 0.78 的最小-最大归一化平均分,而单次运行为 0.47,best-of-4 为 0.54。
该论文报告称相对增益分别为 66.0% 和 44.4%。
该方法在 13 个任务中的 12 个上取得了最高的平均分。
Fork-and-Flush 还产生了更一致的结果,归一化标准差从单次运行的 0.26 降至 0.16。
仅清除聊天上下文而不进行分支,就将结果提高了 22%。
研究人员还测试了能力更强的模型是否能避免想法盆地,使用 MAX-3-SAT 问题在三种模型规模上进行了测试:Qwen3.5-4B、9B 和 27B。
运行之间的方差呈倒 U 形曲线,在模型能力边缘的任务上达到峰值,大约处于随机猜测性能和参考求解器性能之间的一半位置。
作者认为,开放研究问题按定义就处于模型能力的极限。
他们预计,随着模型改进,Fork-and-Flush 所利用的这种变化将持续存在,边界只是向更难的问题移动。
结果表明,即使对于前沿研究智能体,定期重置上下文也可能仍然有用。
订阅 THE DECODER 可享受无广告阅读、每周 AI 新闻通讯、每年六次的独家“AI Radar”前沿报告、完整档案访问以及评论区访问。
核心信息
微软研究院发现,长时间运行的 AI 研究智能体会因累积的对话上下文而陷入“想法盆地”,即使增加计算量也难以跳出。其提出的 Fork-and-Flush 方法通过分叉并清空各分支聊天上下文、保留工作区,在 13 个长任务上显著提升平均分和稳定性,表明定期重置上下文对前沿研究智能体仍有价值。
- 微软研究院发现,长时间运行的 AI 研究智能体会因累积的对话上下文而陷入“想法盆地”,即使增加计算量也难以跳出。其提出的 Fork-and-Flush 方法通过分叉并清空各分支聊天上下文、保留工作区,在 13 个长任务上显著提升平均分和稳定性,表明定期重置上下文对前沿研究智能体仍有价值。
- 原贴提到:Long-running AI research agents can plateau despite additional compute,
- 来源:the-decoder.com
详细解读
这是什么信号
微软研究院用“自动研究智能体”做长周期任务实验,发现即使给更多算力,同一智能体在同一任务上的多次运行也会卡在差异巨大的性能水平上,最终得分从 68.3 到 100.0。问题不在于模型不够强,而在于累积的对话上下文把搜索锁进了一个“想法盆地”:智能体反复在相似解附近打转,而不是跳到别的运行已经发现的好解上。
为什么重要
过去提升 Agent 表现的主流思路是加算力、换更强模型或优化提示词。这项研究指出另一个更便宜的杠杆:上下文本身会成为约束。实验显示,只清空聊天上下文而不做任何分支,就能把结果提高 22%;完整 Fork-and-Flush 在相同算力预算下把归一化平均分从单次运行的 0.47 提到 0.78,并在 13 个长任务中的 12 个取得最高平均分。这意味着“记忆”并不总是资产,在探索型任务里它可能变成路径依赖。
对谁有价值
最有价值的是正在把 AI Agent 用于长周期研发、代码优化、调度、密码分析、模型压缩等任务的团队。如果你的 Agent 跑几小时到上百小时,却经常重复相似方案、产出方差大,Fork-and-Flush 提供了一种架构级解法:分叉出 K 个并行分支,每个分支继承工作区和生成文件,但丢掉聊天上下文,让它们从干净对话继续推进。对做多 Agent 搜索、AutoML、科研自动化的团队,这也可以作为搜索多样性机制。
可以怎么行动
- 在长时 Agent 工作流中加入“定期上下文重置”节点,先不急着上分叉,仅清空聊天历史观察收益。
- 实现工作区快照与分叉:子分支继承完整文件、代码和中间结果,但不继承对话历史。
- 用二维地图或嵌入相似度监控各分支是否落入同一“想法盆地”,作为是否分叉和重置的触发信号。
- 评估时同时看平均分和归一化标准差,避免只追单次最高分而忽略稳定性。
- 在模型能力边缘的任务上优先试验,原文显示这类任务运行方差最大,改进空间也最大。
风险或限制
实验只在 13 个任务上验证,并非所有任务都取得最高分;使用的模型包括 GPT-5.6-terra、GPT-5.5 以及 Qwen3.5 系列,换模型或换任务后效果需要重新验证。清空聊天上下文会丢失推理轨迹,可能影响审计、可解释性和错误复盘;分叉并行也会增加工程复杂度和调度成本,虽然原文强调在相同算力预算下比较,但真实系统里分支管理本身有开销。作者预期随着模型变强,方差峰值会移向更难问题,所以该方法不是一劳永逸,而是需要随任务难度调整重置策略。
信息差价值
这条内容的真正价值,不只是“有人发布了一个新功能”,而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说,这种信息可以转化成持续追踪的栏目选题。
如果把《清除聊天历史有助于 AI 智能体找到更好的解决方案》放到你的内容系统里,它最大的价值在于帮助读者更快看懂“为什么值得关注”,而不是只看到一条碎片化动态。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
清除聊天历史有助于 AI 智能体找到更好的解决方案主要讲什么?
微软研究院发现,长时间运行的 AI 研究智能体会因累积的对话上下文而陷入“想法盆地”,即使增加计算量也难以跳出。其提出的 Fork-and-Flush 方法通过分叉并清空各分支聊天上下文、保留工作区,在 13 个长任务上显著提升平均分和稳定性,表明定期重置上下文对前沿研究智能体仍有价值。
这篇文章最值得关注的要点是什么?
微软研究院发现,长时间运行的 AI 研究智能体会因累积的对话上下文而陷入“想法盆地”,即使增加计算量也难以跳出。其提出的 Fork-and-Flush 方法通过分叉并清空各分支聊天上下文、保留工作区,在 13 个长任务上显著提升平均分和稳…;原贴提到:Long-running AI research agents can plateau despite additional compute,;来源:the-decoder.com
这篇文章和哪些AI专题相关?
它适合放在Agent工作流、AI副业专题里阅读。 关联原因:这篇内容命中「Agent、智能体」等主题信号。;这篇内容命中「项目、小生意、变现」等主题信号。
阅读这篇文章建议先理解哪些关键词?
建议先理解模型、Cursor、Agent、智能体、工作流这些关键词,再结合正文判断工具、机会或风险是否值得进入自己的工作流。