所有人都在让 Agent 跑得更久。一份 8 月 5 日发布的新技术报告问了相反的问题：它怎么知道什么时候该回头？
这份报告叫 Argus（arXiv:2608.05144），来自微软与上海交通大学、复旦、清华等机构。它提出一个面向长程任务的 Agent 运行时，核心判断很直接：长任务的胜负手不是耐力，是"何时坚持、何时改道"的决策质量。
过去一年，Agent 的上下文从几万 token 扩到上百万，任务时长从几分钟拉到几天。但跑得更久不等于跑得更好。SWE 类基准上，多数系统的失败模式高度一致：早期选错路线，然后一路执行到底。Argus 想解决的就是这个。
硬撑，是长任务最常见的死法
长任务最常见的失败不是停下来，是硬撑。路线已经走不通，Agent 还按原计划执行到底，最后交出一份格式漂亮、内容没用的结果。
Argus 把两种"改变"区分开。一种是失败后放弃，一种是发现路线错了之后改道。两者外表一样，性质完全不同：前者是失败，后者是进步。但没有证据的话，谁都分不清。
所以 Argus 给"改变"装了一道闸门：每次实质性改道，必须有证据支持、由指定角色审查、留下记录。三个条件缺一个，改道就不算数。报告里有个细节很说明问题：一条被证伪的数学证明路线，没有被删掉，而是作为"此路不通"的记录保留在状态里，供后续任务检索。
四个角色，各管一段
Argus 把 Agent 拆成四个角色：Manager 管方向，Planner 拆任务，Engineer 干活，Reviewer 查结果。模型权重一个字节不改，进化全部发生在运行时状态里：记忆、技能、工具、验证器、路由策略。
这个结构像一个真实的研究组：干活的人不能自己拍板换方向，查结果的人不亲自下场。在 731 个 SWE-Bench Pro 软件修复任务里，466 个任务被路由给独立 Reviewer，其余 265 个用 Engineer 自查。被路由的任务平均多花 2.75 倍 Token 和 1.8 倍时间，换来 388 个一次通过、43 个修改后重审、34 个最终通过官方验证器。
效果有总分背书：Argus 准确率约 78%，同底座的 Direct Copilot 约 59%，相差 19 个百分点，代价是 1.41 倍总 Token。
图注：Argus 运行模型：四角色循环跑在持久状态上，橙色虚线是回退，红色虚线是被否决的分支。来源：Argus 技术报告 Figure 2
越用越省，但曲线不单调
更值得看的是纵向数据。随着运行时状态积累，成熟期（W19–22）每个任务比启动期（W1–6）少用 21% 的输入 Token，活跃时间少 15%。
这条曲线不是单调下降。报告如实记录了 34 次验证器恢复和 22 次严格审查救援：系统走错了，审查把它拉回来，再把这段经历写进状态。错误没有浪费，变成了后面的路标。
其他竞技场的成绩：研究类任务 AARRI-Bench 得分 76.8%（63/82），对照论文最佳 68.3%；数学数据合成领先第二名 28.0 分；nanochat 训练在 B200 上跑出 0.9636 BPB，略好于人类最佳的 0.9646。它优化出的 RWKV6 内核，被合并进了上游 Flash Linear Attention 仓库。
图注：731 个任务的运行结果：准确率 78% 对 59%，成熟期单任务 Token 降 21%。来源：Argus 技术报告 Figure 4
多日战役：254 个任务，16 次回退
单任务的成绩之外，报告还记录了六条跨越多天的论文生产流水线：合计 254 个 mission、16 次 Stage 回退，最终全部走到投稿完成。其中一条轨迹跑了 163.6 小时。
16 次回退不是事故统计，是系统在主动放弃走不通的分支。材料学那条线更有意思：Argus 最终采纳的方法，比它要替代的已发表方法更简单，而且通过了运行时并不拥有的外部检查器 MOFChecker 的验证（989 对配对晶体，前向计算预算对齐）。
换句话说，它没有用"更复杂"来证明"更先进"。验证标准在外部，成绩才算数。
源势AI观点：企业 Agent 同样需要"审查制度"
我们在企业智能体落地中碰到的是同一类问题。客户不缺 Demo，缺的是跑长任务不散架的 Agent。Argus 的实践里有三条可以直接搬进企业项目。
意图和目标要分开。用户的意图稳定，操作目标允许带证据地修正。不分开，Agent 要么跑偏，要么硬撑到底。我们做能源和金融行业的 Agent 时，把"什么情况下可以改目标、谁批准、留什么记录"写进流程，而不是写进提示词。
验证是闸门，不是装饰。经验只有通过验证器和审查才能进入积累，否则积累下来的不是经验，是错误。Argus 的 22 次严格审查救援说明：审查的成本（2.75 倍 Token）远低于错误经验污染状态的成本。
执行者不审查自己，审查者不亲自执行。角色分离写进系统结构，比写进提示词可靠得多。
Agent 越聪明，越需要学会回头。Argus 给出的答案是：回头可以，但要带证据、过审查、留记录。报告结尾还提到，这些轨迹，对的和错的，都会成为未来监督学习和强化学习的结构化数据。走错的路记下来，也是资产。
图注：七个基准竞技场的结果，全部使用任务原生指标。来源：Argus 技术报告 Table 4
