企业官网建设流程全解析

note

• VideoSeek Benchmark：Tool-augmented active perception in long video
• 多模态理解侧重于如何在较长的时间跨度内定位有用信息，包括决定检查哪些片段以及调用哪些感知工具。
  • Understanding​ → 主要吃 C1（H1）和 C2（H2）的亏，靠 Context/Memory 外化解决；
• 多模态生成侧重于如何理解用户意图并进行多轮规划、生成与优化，这一过程依赖于外部证据、验证机制和持久记忆。
  • Generation​ → 叠加不可逆副作用，靠 Plan-Execute + Verification 解决；
• 全模态智能体侧重于不同模态之间的协调，使它们能够共同完成端到端任务
  • Omnimodal​ → 推到 H3/C3，必须 World Model + Self-evolution + Embodiment 一起上。

一、Towards Long‑Horizon Agents

论文标题：Towards Long-Horizon Agents: A Survey
论文链接：https://openreview.net/forum?id=HyhfhlbWGh
项目主页：https://long-horizon-agents.github.io/
项目仓库：https://github.com/RUC-NLPIR/Awesome-Long-Horizon-Agents

论文：Towards Long-Horizon Agents: A Survey —— Foundation, Evolution, Harness, Optimization, Application, and Frontier
来源：中国人民大学等联合撰写（RUC-NLPIR 组），149 页，2026 年最新综述
一句话主旨：长时程智能体（Long-Horizon Agent）的能力 = 外部化的 Harness 工程 + 内部化的模型优化，二者共同演化。

过去几年大模型从"单轮对话"走向"能持续行动的智能体"，但整个领域存在一个根本缺口：没有统一的定义和分类法。"long-context / long-running / autonomous / self-evolving"这些词被混用，导致一项改进到底来自模型、Harness、数据还是评测协议，根本无法归因。

本文的核心论点（贯穿全文的 thesis）：

长时程能力不是模型单方面的属性，而是「外部化 Harness 工程」与「内部化模型优化」共同演化的系统级能力。
Agent = π θ ⊕ H \text{Agent} = \pi_\theta \;\oplus\; \mathcal{H}Agent=πθ​⊕H
其中π θ \pi_\thetaπθ​是基础模型的策略，H \mathcal{H}H是环绕它的运行时结构（循环、工作流、工具、记忆、编排、钩子、验证）。⊕ \oplus⊕是运行时耦合，不是简单相加。

一个极具洞察力的动态判断：能力在 Harness 与模型之间持续迁移——Harness 的机制逐步被内化进模型权重（如把 ReAct 循环训成模型本能），更强的策略又反过来解锁更高级的 Harness。

该综述的整体逻辑：

Foundation（定义 + H1/H2/H3 三层） ↓ 控制面三次拓宽 Evolution（Prompt → Context → Runtime） ↓ 一分为二、共同演化 ┌──────────────────────────────────────────────┐ │ Pillar I: Harness（外部化） Pillar II: Optimization（内部化） │ │ 循环/工作流 Context/记忆 架构 → 数据/环境 → 预训练 → 微调 │ │ 工具/MCP 编排 钩子 验证 → Agent RL → OPD → 自演化 │ └──────────────────────────────────────────────┘ ↓ 能力迁移（Harness ⇄ 模型权重） Application（5 类场景 + 基准） ↓ Frontier（演化/有效性/效率/可信赖性）

二、必须记住的三个关键概念

1. 长时程的本质不是"时间长"，而是"步骤间强耦合 + 持续反馈"

论文明确驳斥了"跑得久 = 长时程"的误解。真正的定义性特征是：大量紧密耦合的决策组成一条轨迹，误差会沿依赖图累积，且需要与真实环境持续交互、修订。一个可分解的长时间批处理，并不算长时程。

三大典型失败模式（全文技术讨论的骨架）：

• Goal drift & 错误累积：成千上万步后偏离原目标，局部错误把轨迹推向错误推理路径。
• Context rot & 上下文压力：工作上下文填满后性能骤降；或模型因"感知到上下文上限"而提前终止、把部分进展谎报为成功。
• 稀疏延迟奖励 & 不可逆性：只在终点给 reward，中间信号极稀疏；且动作越久越可能触发高风险不可逆操作——可恢复性（recoverability）成为刚需。

2. 三层任务难度 + 三种对应能力（H1⊂H2⊂H3，C1⊂C2⊂C3）

三个递进论断（极其精辟）：

• H1 证明：单步准确 ≠ 成功（需持续交互）；
• H2 证明：更大的上下文窗口 ≠ 成功（需压缩/外部化状态）；
• H3 证明：单次任务成功 ≠ 成功（需把部署经验沉淀为持久能力）。

每一层的能力都可由"外部 Harness 提供"或"内部训练内化"两条路径达成——这正是全文两大支柱的由来。

3. 与相邻概念的边界（避免混淆）

• vs Long-running：长运行强调"执行时长"，长时程强调"决策依赖图的耦合深度"。
• vs Autonomous：自主性是关于"谁做主"，长时程是关于"能否跨越依赖链完成任务"，两者正交。
• vs Self-evolving：自演化强调"随时间改进自身"，长时程强调"单次任务的跨度"；自演化是长时程在 H3 层面的一种手段，二者有重叠但不等价。

三、演化脉络：控制面（Control Surface）的三次拓宽

趋势：控制单位从"一句话提示" → “一窗口上下文” → “一整套运行时闭环”，能力边界由模型内部逐步外溢到 Harness。

关键数据（METR）：前沿 agent 的任务时长中位数约每 7 个月翻倍，近期加速到约每 4 个月；GLM-5.1 报告单任务可持续独立执行8 小时（规划→实现→测试→迭代→交付）。前沿已接近16 小时天花板。

四、两大支柱

🔧 支柱 I：Harness —— 把能力"外置"到运行时（第 4 章）

六类运行时结构，是让长时程执行"可规定、可引导、可验证、可恢复"的关键：

1. Loops & Workflows：线性 / Plan-Execute / 分支工作流（ReAct、ToT、LATS、Reflexion）。
2. Context & Memory：工作上下文 + 持久记忆（MemGPT、MemoryBank、MemoryOS）——解决 H2 状态外部化。
3. Tools, MCP & Skills：工具接口与协议（Toolformer、Gorilla、MCP）、主动工具发现、技能库。
4. Orchestration：任务分解与角色、协调拓扑、编排优化、Agent 协议（MetaGPT、AutoGen、LangGraph、A2A）。
5. Hooks & Middleware：预定义规则钩子、用户自定义钩子、运行时自适应钩子（Claude Code hooks、ShieldAgent）——安全与可恢复性的落点。
6. Verification：验证目标、验证层级、验证器策略（Reflexion、CRITIC、AgentHarm、OWASP）。

⚙️ 支柱 II：Optimization —— 把能力"内化"进策略（第 5 章）

完整的 Agent 训练流水线，从架构到自演化：

1. Architectural Substrate：显式上下文 / 压缩状态 / 混合架构 / 高吞吐机制（DeepSeek、NSA、FlashAttention、Mamba）。
2. Data & Environment Synthesis：任务合成、环境合成、轨迹合成（WebShaper、SWE-Gym、SWE-smith、EnvScaler）——论文直言：环境构建才是下一阶段的能力瓶颈，而非模型规模。
3. Pre/Mid-training：推理先验、长上下文状态、多模态感知、数据混合策略（DeepSeek-V3、Qwen3、GLM-4.5）。
4. Fine-tuning：指令筛选与混合、课程学习、蒸馏（AgentTuning、CodeActInstruct、ToolACE）。
5. Agentic Reinforcement Learning（重点章节）：
   • Credit Assignment：Outcome / Process / Rubric / Multi-granularity 四类信用分配；
   • Policy Optimization：GRPO 等；
   • Sampling Strategy；
   • Interaction Patterns：层级、工具使用、多智能体协作、记忆。
6. On-Policy Distillation (OPD)：教师引导 OPD + 自改进 OPD（GKD、SCoRe、MAD-OPD）——在线自适应生成监督。
7. Self-evolution：离线自演化 / 在线自演化 / Agent-环境共演化（ExpeL、Absolute Zero、ADAS、DGM）——对应 H3 的能力内化。

五、应用场景：五类 Agent（按"交互接口"划分）

一个重要洞见：从"软件工程"（边界清晰、反馈强、可验证）到"通用 Agent"（开放、异构、反馈弱），是能力需求递增的光谱——越往右，越依赖 Harness 的验证与恢复机制。

评测资源：SWE-bench、WebArena、OSWorld、Mind2Way、AndroidWorld、GAIA、AgentBench、τ-bench、MLE-bench、Terminal-Bench、METR 等，覆盖从代码到具身的完整基准。

六、前沿挑战（Frontier）：四条主线

几处点睛观点（作者 Outlook）：

• 下一阶段能力瓶颈是环境构建，而非模型规模；
• "忠实度（faithfulness）"值得像任务成功率一样被显式评测；
• 反思（reflection）应基于外部可验证证据，而非让模型自说自话；
• 安全上需把人类纠偏轨迹纳入训练，让 Agent 学会"何时 + 如何"请求干预。

七、重点提炼（TL;DR）

1. 长时程 ≠ 时间长，而是"决策强耦合 + 误差累积 + 持续反馈 + 需恢复"。
2. 核心公式：Agent = π θ ⊕ H \text{Agent} = \pi_\theta \oplus \mathcal{H}Agent=πθ​⊕H，能力由 Harness 与模型共同演化塑造——这是全文灵魂。
3. 三层任务 H1/H2/H3 ↔ 三种能力 C1/C2/C3：上下文推理 → 状态记忆 → 经验积累（递进嵌套）。
4. Harness 六件套（循环、记忆、工具、编排、钩子、验证）是"可靠长时程"的工程落点；Optimization 七步走（架构→数据环境→预训练→微调→Agent RL→OPD→自演化）是"能力内化"的训练路径。
5. 瓶颈转移：下一步限制因素从"模型规模"转向"环境构建 + 忠实度评测 + 可恢复性/安全性"。
6. 实践启示：想让 Agent 可靠跑数小时，靠的不只是换更大模型，而是好的 Harness（验证器 + checkpoint + 记忆 + 预算控制）与长时程训练数据/RL的组合。

八、相关benchmark

Reference

[1] Towards Long‑Horizon Agents: A Survey
[2] 人大高瓴最新发布149页综述-迈向长程智能体