反常识，微软最新研究：Agent 的“长记忆”可能是毒药 - 今年会体育

最近，人工智能领域出现了一篇颠覆常识的研究论文。该论文由微软研究院主导，研究对象是目前备受关注的AI Agent。

按照常规认知，Agent的记忆越多，其表现应该越出色。然而，这篇于10月5日发表在arXiv上的论文《Fork-and-Flush: Escaping Idea Basins in Autoresearch Agents》提出了相反的观点：交互时间越长，Agent越容易陷入思维定势。 针对这一问题，微软提出的解决方案看似简单直接：定期清除聊天记录。

同一个Agent，运行八次，结果如同八个不同个体

研究人员聚焦于一种“自动进行科研”的Agent。其工作流程是：提出一个方案，执行实验，查看评分，然后根据反馈提出下一个方案。这一过程循环往复，持续数小时甚至数天。

他们让同一个Agent在相同任务上独立运行了八次。理论上，结果应大致相似，但实际最终得分从68.3到100.0不等，中位数为81.9，最佳与最差结果之间相差超过30分。

更令人沮丧的是，增加计算资源也无济于事。对于表现不佳的几次运行，即使投入大量额外计算，Agent也只是在原地徘徊，差距基本无法弥补。

原因何在？研究团队将每次运行产生的方案，根据“功能相似度”绘制成二维地图，发现每次运行的方案都聚集在地图的一个小区域内，且自始至终没有显著移动。他们将这类区域命名为“思维盆地”（idea basin）。八次运行分别落入了五个不同的盆地。

同一个Agent在相同任务上运行八次。左图：分数随计算资源投入的变化，八次运行在不同高度趋于平稳，最终得分从68.3到100.0。右图：按功能相似度绘制的方案地图，八次运行缩进五个“思维盆地”。

这好比一个装修团队，第一天确定了北欧风格，之后购买的每件家具都向北欧风格靠拢。即使地中海风格可能更适合这个户型，他们也想不到，因为手机里存满了北欧风格的参考图。聊天记录，就是Agent手机里的那些参考图。

值得一提的是，这些Agent本身具备“自动压缩聊天记录”的机制，当对话过长时会自行总结再继续。但实际测试表明，仅靠压缩摘要，仍无法跳出思维盆地。

微软的解决方案：记忆清空

该方法名为Fork-and-Flush，可译为“分叉加清空”，包含两个步骤。

分叉（Fork）： 将Agent复制成多个并行分支，每个分支都继承完整的“工作区”，即之前编写的代码、文件和实验结果，所有资产完整保留。

清空（Flush）： 每个分支的聊天记录被清空。它们被告知：无论之前如何思考，现在只需基于现有资料，重新思考接下来该怎么做。

分支运行一段固定时间后，比较得分，保留最好的那个分支继续运行，其余分支解散。论文中有一句话点明了关键：新分支必须从这些文件中重新推导出自己的意图，这正是它能够落入另一个盆地的原因。

Fork-and-Flush示意图。左图：分叉后各分支携带相同的工作区，以空白聊天记录重新出发，胜出分支继续向上。右图：清空后的分支有机会跳进另一个思维盆地，未跳出的分支就地解散。

研究人员在13个长周期任务上进行了测试，包括多连块拼图、车间调度、密码破译、压缩图像分类器、优化VLIW内核。单次运行时间从几小时到超过一百小时，使用的模型是GPT-5.6-terra和GPT-5.5，通过GitHub Copilot的命令行工具调用。

在相同的计算资源预算下，比较归一化平均得分：单次运行为0.47，运行四次取最佳结果为0.54，而Fork-and-Flush为0.78。换算成相对提升，比单次运行高66.0%，比四次取最佳高44.4%。在13个任务中，该方法在12个任务上取得了最高平均分。其表现也更加稳定，标准差从0.26降至0.16。

消融实验也颇具趣味：仅清空聊天记录而不分叉，提升约22%；仅分叉而不清空，也有提升；但两者结合，效果最佳。这表明“遗忘”和“多次尝试”各自发挥不同作用。

最戏剧性的一次发生在拼图任务上。当计算资源使用到71%时触发清空，胜出的那个分支在首次提交时就跨出了43个单位的距离。这意味着什么？单次运行的Agent在相同阶段，每步最多移动4.4个单位。这一跳直接落入一个全新的盆地，最终获得93.9分，而八个单次运行基线得分的中位数为84.6。另外三个未能跳出的分支，每步移动不超过1个单位，原地停留。

拼图任务上的关键一跳。左图：蓝色箭头是胜出的b3分支，从分叉点直接跳进新盆地，最终得分93.9。右图：清空后它的第一步跨出43个单位，远远超出灰色区域代表的单次运行常规步幅。

模型再强，这个问题可能依然存在

有人可能会认为，当模型变得更强时，大概就不会再陷入思维定势了。

研究团队使用Qwen3.5的4B、9B、27B三个不同规模，在MAX-3-SAT这种可以精确调节难度的题目上进行了验证。结果发现，运行结果之间的差异呈现出一条倒U型曲线：题目过于简单，每次都能解决，解法趋同；题目过于困难，每次都解决不了，失败模式也趋同；差异最大的位置，恰好位于模型能力的边缘，大约在“能解决一半”的地方。拟合出的峰值在0.497，基本就是正中间。

横轴是模型相对于参考求解器的达成度，纵轴是多次运行之间的差异。三个规模的Qwen3.5描绘出同一条倒U型曲线，峰值在达成度0.5附近。

而开放性的研究问题，按定义就位于能力边缘。因此，作者判断，随着模型继续变强，这种现象大概不会消失，只是边缘会转移到更难的问题上。 定期重置上下文这一方法，对未来的前沿模型可能依然有效。

这项研究对从事Agent产品开发的人有一个直接提醒：“上下文是资产”这个默认假设，或许值得打个问号。积累的记忆超过某个点之后，可能会反过来限制探索，早期的推理会将Agent锚定在一条不够优化的路线上。

本文来自微信公众号“大数据文摘”，36氪经授权发布。