长周期智能体架构：层级、时钟步与级联智能

语言模型智能体越来越多地被要求开展持续数天或数周的工作，例如运维修复或研究计划。这类任务的持续时间超过任何上下文窗口、进程以及人能够投入注意力的间隔。本文认为，长周期智能体在能够持续学习之前，必须先能够持续运行而不遗忘。这种能力来自模型周围的Harness，而非模型本身。我们从长周期场景中推导出七个瓶颈，并以三部分层级架构回应：第一，按时间尺度划分层级，每层维护一个有界文件以概括下一层；第二，以受时钟驱动的步作为自主行动单位；第三，采用级联智能，仅在工作未通过复核后才升级到更强模型。我们报告了一项十天活动：基于该架构的智能体在人工每天关注一次的情况下，复现了已发表的强化学习结果。结果表明，智能体在整个活动的每次上下文重置和会话边界后都保持任务主线；早期写下的操作知识在不改变模型权重的情况下改变了后续行为；同时展示了学习组件能够接入系统的位置。总体而言，我们的经验提示，这类智能体的持续学习需要一种比任何上下文和进程都更持久的基础，而Harness已经执行的检查正是学习器适合接入之处。