长程 Agent 为什么难：从单步能力到持续收敛

长程 Agent 为什么难：从单步能力到持续收敛 过去两年，Agent 的讨论很容易围绕模型能力、工具调用、规划器、Memory 和 Multi Agent 展开。但真正进入长任务以后，决定体验的往往不是某一个组件够不够强，而是一个更基础的问题： Agent 能否在几十步甚至几百步的执行过程中，持续向最初的目标收敛。 这和模型能否解决一道静态问题并不是同一种能力。 真实的 Agent 会误判、会调用错工具、会修改错误的代码，也会在一个错误方向上浪费大量步骤。一个可用的 Agent 系统并不要求这些错误消失，而是要求错误能够被发现、被修复，并且修复之后任务还能沿着正确方向继续推进。 因此，与其把 Agent 理解成一个“会使用工具的模型”，不如把它理解成一个闭环系统： [ text{Agent} text{Model} + text{Harness} + text{Environment} ] 模型负责在不确定性中做判断，环境提供反馈，Harness 则负责维持执行状态、约束和任务连续性。 长程 Agent 的很多工程问题，本质上都发生在这个闭环里。 1. 为什么“每一步 95% 正确”并不能描述 Agent 讨论长任务时经常会出现一个简单计算： 如果 Agent 每一步有 95% 的概率做对，一个任务需要连续完成 20 个关键决策，那么成功率只有： [ 0.95^{20} approx36 % ] 计算没有问题，但它隐含了一个并不符合现实的假设： 任何一步出错都会永久导致整个任务失败。 真实 Agent 通常不是这样工作的。 一次命令参数错误会产生 stderr，代码运行失败会得到 traceback，测试失败会返回失败用例，文件修改后还可以重新读取验证。Agent 每执行一个动作，环境都会返回新的 observation，下一步决策会基于新的状态重新进行。 真正的执行过程更接近： [ text{Action} rightarrow text{Observation} rightarrow text{Diagnosis} rightarrow text{Repair}...