LongHorizon-Harness：把长程智能体的“状态管理”从上下文里拆出来

导语

随着大语言模型智能体开始处理更接近真实世界的任务，问题不再只是“能不能回答”，而是能否在几十步甚至更长的过程中持续记住目标、正确使用工具、发现错误并修正路径。LongHorizon-Harness 关注的正是这个痛点：长程智能体常常把任务执行记录、当前状态和完成判断都塞进同一个不断增长的上下文里，一旦某一步出现错误自评，后续决策就可能沿着错误状态继续推进。

这项工作提出的核心思路，是把长程执行从“上下文堆叠问题”改写成“任务状态管理问题”。换句话说，智能体不应仅靠聊天历史理解自己做到哪一步，而应有一个外部、显式、可审计的任务状态，并且只有经过环境验证的事实才能写入其中。

核心要点

• 状态外置：LongHorizon-Harness 将任务状态从执行上下文中分离出来，避免上下文越来越长后状态难以追踪。
• MEA 循环：框架采用 Manage-Execute-Audit 流程。Manager 维护任务状态并决定下一个子任务；Executor 在新鲜上下文中执行；Auditor 以只读方式检查环境状态，再决定是否更新任务状态。
• 降低错误传播：执行者的自我判断不会直接成为后续步骤的依据，必须通过环境验证后才能进入状态记录。
• 适配不同后端：轻量级 AgentAdapter 允许在不改动原生智能体循环的情况下，接入不同模型与 harness 后端。
• 基准提升明显：在素材披露的结果中，LongHorizon-Harness 将 Qwen 3.7-Plus 在 WeaveBench 上从 51.8% 提升到 80.7%，在 Terminal-Bench 2.1 上从 69.7% 提升到 77.2%，在 OSWorld 2.0 上从 2.8% 提升到 8.3%；同时也让 Claude Opus 4.7 在 OSWorld 2.0 子集上从 20.0% 提升到 34.3%。

意义与影响

这项工作的价值不只在于某个基准分数提升，而在于它指出了长程智能体可靠性的一个关键工程方向：把“记忆”和“判断”从模型的连续对话上下文中解耦出来。对真实任务来说，尤其是涉及终端操作、网页交互或桌面环境的任务，错误状态往往比单次错误回答更危险，因为它会让系统在后续步骤中持续做错。

LongHorizon-Harness 的设计更像是在智能体外部增加一层任务账本和审计机制。执行模块可以专注完成当前子任务，管理模块负责保持全局进度，审计模块则承担事实核验。这样的分工有助于提升可解释性，也让不同模型、不同执行环境之间的比较更清晰。

当然，素材中的结果仍主要来自基准测试，真实业务场景还会面临成本、延迟、环境可观测性和审计可靠性等问题。但从方向上看，长程智能体要走向可用，单纯扩大上下文窗口并不够，如何维护可信状态、如何阻断错误传播，可能会成为下一阶段智能体框架竞争的重点。

来源：Hugging Face Daily Papers