LongHorizo​​n-Harness：推进长视野智能体执行实际任务

大语言模型 (LLM) 智能体越来越多地承担长期任务，这些任务需要在许多相互依赖的步骤中进行持续推理、工具使用和修改。然而，现有的代理工具在不断增长的环境中维护任务执行、任务状态和完成评估，这使得状态难以跟踪，并允许错误的自我评估传播到以后的决策中。我们将长视野执行重新表述为任务状态管理问题，并提出了 LongHorizo​​n-Harness，它在执行之外显式地维护任务状态，并仅使用从环境中独立验证的事实来更新它。其管理-执行-审核（MEA）循环使用管理器来维护任务状态并确定下一个子任务，使用新上下文执行器来执行它，并使用只读审核器来在下一轮之前验证结果环境状态。轻量级 AgentAdapter 支持可互换模型和利用后端，而无需修改其本机代理循环。 LongHorizo​​n-Harness 将 Qwen~3.7-Plus 在 WeaveBench 上的性能从 51.8% 提高到 80.7%，在 Terminal-Bench~2.1 上从 69.7% 提高到 77.2%，在 OSWorld~2.0 上从 2.8% 提高到 8.3%。它还将 OSWorld2.0 子集上的 Claude Opus~4.7 从 20.0% 提高到 34.3%，展示了跨模型、工具和交互领域的一致增益。