迈向长程智能体，人大高瓴发布149页全景综述

综述核心论点：长程智能体能力源于外部“脚手架工程（Harness Engineering）”与内部“模型优化（Model Optimization）”的协同演进。模型提供推理和行动策略，Harness负责组织上下文、维护状态、调度工具、编排流程及验证恢复。二者共同决定智能体能否沿漫长依赖链稳定前进，因此长程能力应视为整个Model-Harness系统的属性。

METR测量显示，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，时间跨度约每7个月翻一倍，2023年后翻倍周期进一步缩短至约4个月。这表明长程能力仍处高速扩展阶段。

综述强调，智能体“跑得久”不等于“具备长程能力”，关键在于能否在更长、更复杂、更真实的推理依赖链上持续有效行动。

综述不以运行时长作为唯一标准，而是考察任务是否包含大量相互依赖的逻辑决策及执行边界。提出H1-H3三层任务：H1窗口内任务（单上下文窗口内持续交互）、H2跨窗口/跨会话任务（远超单窗口，常持续数小时至数天）、H3跨任务流（总目标跨越多个子任务与环境）。

对应能力层级C1-C3：C1交互式推理（规划-行动-观察-修正）、C2状态与记忆（读写记忆、建检查点、可靠恢复）、C3经验积累（沉淀可复用技能，从经验中泛化并持续改进）。三个层级递进：C2以C1为前提，C3建立在C1与C2之上。

综述将Harness拆为六个核心组件：循环与工作流（线性执行、Plan-Execute、分支搜索）、上下文与记忆（丢弃、压缩、选择，写入持久记忆）、工具/MCP/技能（连接外部能力，支持工具发现与技能库）、编排（任务分解、角色分配、协作拓扑）、Hooks与中间件（执行规则、权限、监控与安全策略）、验证（步骤级到任务级检查正确性、安全性和目标一致性）。

Harness承担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。

综述沿完整训练链路梳理七类方向：架构底座（显式长上下文、压缩状态、混合架构）、任务/环境/轨迹合成（构建可验证、真实的交互环境）、预训练与中期训练（注入推理先验、长上下文状态）、微调（指令选择、课程学习与蒸馏）、智能体强化学习（处理长轨迹信用分配）、On-Policy Distillation（从自身生成分布学习）、自进化（在线自我改进）。

训练数据不能只包含最终答案，还需真实环境反馈、过程状态、工具结果与错误恢复轨迹；优化目标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。

综述将开放问题归纳为四个轴：Evolution（泛化与持续学习，让Harness自身演化）、Effectiveness（进入真实环境，构建可验证且真实的训练环境）、Efficiency（学会花预算，动态决定深思、压缩或切换模型）、Trustworthiness（可恢复且可治理的自治，以外部验证锚定反思，通过最小权限、审批门、沙箱保护安全不变量）。

一个重要判断：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，真正决定工具可调用、行动需审批、经验可复用的是运行时控制层。