📖标题：An Architecture for Long-Horizon Agents: Levels, Ticks and Cascaded Intelligence
🌐来源：arXiv, 2609.19519v1
🛎️文章简介
🔸研究问题：如何让大模型智能体在长达数天甚至数周的任务中，跨越上下文窗口限制、进程重启和人类注意力间隔，保持连续运行且不丢失关键状态？
🔸主要贡献：论文提出了一种包含时间层级、时钟滴答和级联智能的三层架构，使智能体能在无需更新模型权重的情况下，通过外部记录实现“无遗忘”运行和知识积累。
📝重点思路
🔸识别七大瓶颈：作者指出长周期高自主性任务面临上下文窗口、进程寿命、人类关注间隔、组件故障、任务委托、正确性验证和成本控制这七个资源耗尽的临界点。
🔸构建时间层级体系：设计七层时间尺度，从秒级的工具调用到周级的目标设定。每一层只保留下一层的有界摘要文件，上层向下发指令，下层向上汇报压缩后的状态，确保信息不溢出。
🔸引入时钟滴答机制：以“Tick”为自主行动的基本单位。系统按固定节奏唤醒，读取状态、执行规则、做出决策并写回检查点，即使进程重启也能从文件中恢复，实现断点续传。
🔸实施级联智能策略：采用“审查与升级”机制。任务默认由低成本模型处理，若失败则反馈重试，再次失败才升级至更强模型或人类。只有最关键的决策才使用昂贵资源，平衡成本与效果。
🔸建立持久化协议：所有状态必须存储在文件中而非内存里。通过预注册的验证规则和对抗性审查员，确保在上下文压缩时不会丢失安全约束和实验证据，实现操作知识的积累。
🔎分析总结
🔸成功复现复杂结果：在为期十天的实验中，该架构支持的智能体独立复现了一项强化学习研究成果，期间经历了多次上下文重置和会话边界，但始终保持任务线程不中断。
🔸实现无遗忘运行：实验证明，早期写入的操作知识能改变后续行为，且无需修改模型权重。智能体在每次重启后都能准确恢复状态，证明了基于文件的记忆机制优于依赖上下文窗口。
🔸有效降低成本：通过级联智能，大部分常规工作由低级模型完成，仅少数关键步骤升级至高级模型，显著降低了长周期任务的算力成本，同时保证了最终结果的正确性。
💡个人观点
论将智能体的“智力”从模型内部剥离出来，转移到外部的“ harness ”（控制框架）中，给AI配了一个永不疲倦的秘书和严格的审计流程。
