AI智能体被对话史困住 清空后成绩提升66%

长时间自主运行的AI科研智能体，即使算力加码也可能在原地踏步。微软研究院最新论文指出，原因在于不断膨胀的对话上下文会把智能体"锁死"在某类解法里。研究团队提出一种"先分叉、再清屏"（Fork-and-Flush）的方法，在同等算力下把任务平均得分相对提升66%。

论文研究的对象是所谓"自动科研智能体"（Autoresearch agents）：这类系统反复提出方案、评估结果、再根据反馈改进。在完全相同的任务上，同一个智能体独立运行八次，最终得分却从68.3到100.0不等，而且即使追加大量算力，这种差距依然存在。

研究者把所有运行产生的方案映射到一张二维图上，发现同一次运行里的方案几乎总是挤在一个很小的区域。团队把这种局部区域称作"想法盆地"（idea basins）：智能体把剩余算力大量花在盆地内部做微调，而不是跳出盆地探索其他思路；即便周期性压缩对话历史，这一模式也难以打破。

Fork-and-Flush由两个动作组成。"分叉"让智能体复制出K条并行分支，每条都继承此前的工作区与全部生成文件；"清屏"则让每条分支丢掉整段对话上下文，只保留工作区，从头开启新对话。实验显示，带着父进程对话记录的分支往往会回到原来的盆地，而拿到全新上下文的分支更容易开辟新思路——代码、文件和历史结果都还在，损失的只是聊天记录。

团队在13项长周期任务上做了验证，包括多联方块装填、作业车间调度、密码分析、压缩CIFAR分类器以及VLIW内核优化等，单次运行从数小时到超过100小时，底层模型为GPT-5.6-terra与GPT-5.5，经GitHub Copilot CLI调用。同等算力下，Fork-and-Flush的归一化平均得分为0.78，明显高于单次运行的0.47和"四次取最优"的0.54，相对提升分别为66%和44%，并在13项任务中的12项拿到最高平均分；得分波动也从0.26降到0.16。

只清屏不分叉的简化版本同样有效：在11项任务上把平均分从0.45提到0.55，相对提升约22%。团队还用三种规模的Qwen3.5模型（4B、9B、27B）测试MAX-3-SAT问题，发现运行间方差的峰值出现在接近模型能力上限的任务上——太简单的题大家都能做对，太难的题则全部失败。

论文作者认为，开放性科研问题本就处在模型能力的边界上，因此随着模型变强，这种方差只会转移到更难的问题上而不会消失。结论是：对前沿科研智能体而言，定期重置上下文可能仍是一种值得保留的做法。

编译自 THE DECODER，原标题："Clearing chat history helps AI agents find better solutions"