反常识，微软最新研究：Agent 的“长记忆”可能是毒药

近期，人工智能领域出现了一项颠覆常规认知的研究。该研究由微软研究院主导，聚焦于当前备受关注的智能体（Agent）技术。

通常认为，智能体记忆的信息越多，其表现应当越出色。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》却指出，情况可能正好相反：交互时间越长，智能体越容易陷入思维僵化。针对这一问题，微软提出的解决方案听起来简单直接——定期清除对话历史。

同一智能体，八次运行，八种表现

研究人员关注的对象是一种“自动进行研究”的智能体。其工作流程为：提出方案、执行实验、评估得分，然后根据反馈提出下一个方案。这个过程循环往复，每次运行可能持续数小时甚至数天。

他们让同一个智能体在相同任务上独立运行了八次。按理说，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，最优与最差之间相差超过30分。

更令人沮丧的是，增加计算资源也无济于事。对于表现较差的几次运行，即便投入大量额外计算，它们也只是在原地徘徊，差距几乎无法弥补。

原因何在？研究团队将每次运行产出的方案按“功能相似度”绘制成二维地图，发现每次运行的方案都集中在地图的某个小区域内，且从头至尾几乎没有移动。他们为这些区域取名为“思维盆地”（idea basin）。八次运行分别落入了五个不同的盆地中。

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朝着北欧风靠拢。即便地中海风格可能更适合这个户型，他们也难以想到，因为手机里存满了北欧风的参考图。聊天记录，就是智能体手机里的那些参考图。

值得注意的是，这些智能体本身就具备“自动压缩聊天记录”的功能，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：记忆重置

该方法名为Fork-and-Flush，可译为“分叉加清空”，分为两个步骤。

分叉（Fork）：将智能体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，所有内容原封不动地保留。

清空（Flush）：每个分支的聊天记录被清零。这些分支不再考虑之前的想法，而是基于现有资源，重新思考应该怎么做。

经过一段固定时间的运行后，比较各分支的得分，保留表现最佳的那个继续运行，其余分支则被解散。论文中有句话点明了关键：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。

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、压缩图像分类器以及优化VLIW内核。单次运行时长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。

在相同计算预算下比较归一化平均得分：单次运行得分为0.47，运行四次取最佳得分为0.54，而Fork-and-Flush方法得分为0.78。换算成相对提升，它比单次运行高66.0%，比四选一方案高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。同时，其表现也更加稳定，标准差从0.26降至0.16。

消融实验也颇具启发性：仅清除聊天记录而不分叉，性能提升约22%；仅分叉而不清空，也有提升；但两者结合，效果才最为显著。这表明，“遗忘”和“多次尝试”各自发挥着不同的作用。

最戏剧性的一次发生在拼图任务中。当计算预算消耗到71%时触发了清空操作，胜出的那个分支在首次提交时就跳出了43个单位的距离。这是什么概念？单次运行的智能体到了这个阶段，每一步最多只能移动4.4个单位。这一跳直接落入了全新的盆地，最终获得93.9分，而八个单次运行基线的中位数是84.6。另外三个未能跳出的分支，每一步移动不超过1个单位，原地停滞不前。

模型再强大，此问题或仍存在

有人可能会认为，随着模型变得更强，这种钻牛角尖的问题就会消失。

研究团队使用Qwen3.5的4B、9B和27B三个版本，在MAX-3-SAT这类难度可精确调节的任务上进行了验证。结果发现，多次运行之间的差异呈现出一条倒U型曲线：任务过于简单时，每次都能完成，解决方案趋同；任务过于困难时，每次都失败，失败模式也趋同；差异最大的位置，恰好处于模型能力的边界附近，大约在“能做对一半”的地方。拟合出的峰值在0.497，基本处于正中间。

而开放性的研究问题，按定义就处于能力边界上。因此，作者的判断是，随着模型继续变强，这种现象大概不会消失，只是边界会转移到更困难的问题上。定期重置上下文这一方法，对未来的前沿模型可能仍然有效。

这项研究对从事智能体产品开发的人提出了一个直接提醒：“上下文是资产”这一默认假设，或许值得重新审视。积累的记忆超过某个临界点后，可能会反过来限制探索，早期的推理会将智能体锚定在一条不够理想的路径上。

本文来自微信公众号“大数据文摘”，36氪经授权发布。