反常识，微软最新研究：Agent 的“长记忆”可能是毒药

微软研究院近期发布了一项与常规认知相悖的研究成果，其关注焦点是目前备受瞩目的AI Agent。该研究于10月5日上传至arXiv，论文标题为《Fork-and-Flush: Escaping Idea Basins in Autoresearch Agents》。研究指出，Agent的交互时长与其表现并非正相关：交流越久，Agent越容易陷入思维僵局。对此，微软提出的解决方案显得直接：定期清除聊天记录。

同一Agent，八次运行，八种表现

研究聚焦于一种“自动研究型”Agent，其工作流程为：提出方案、执行实验、评估分数、依据反馈调整方案，如此循环，单次运行可持续数小时甚至数天。

实验让同一Agent在相同任务上独立运行八次。按理结果应相近，但实际得分从68.3到100.0不等，中位数为81.9，最高与最低相差超过30分。

更值得注意的是，增加计算资源并未改善低分运行的表现：这些运行陷入重复循环，差距无法弥补。

原因何在？研究团队将每次运行产生的方案按“功能相似度”绘制成二维地图，发现每次运行的方案均集中在地图的某一小范围，几乎未移动。团队将这类区域命名为“思维盆地”（idea basin）。八次运行分别落入五个不同的盆地。

这好比一个装修团队，第一天选定北欧风格后，后续所有采购都围绕这一风格展开，即使地中海风格可能更合适，也无法改变，因为参考素材已固化。聊天记录，正是Agent的参考素材。

值得注意的是，这些Agent本已具备“自动压缩聊天记录”功能，聊太久时会自行总结。但实验显示，仅靠压缩摘要无法跳出盆地。

微软的方案：清空记忆

该方法名为Fork-and-Flush，意为“分叉加清空”，包含两步。

分叉（Fork）： 将Agent复制为多个并行分支，每个分支继承完整的“工作区”，包括已编写的代码、文件和实验结果。

清空（Flush）： 清除每个分支的聊天记录。分支需基于现有资源重新思考下一步。

分支运行一段时间后，比较分数，保留最优分支，其余解散。论文强调：新分支必须从文件中重新推导意图，这正是其能落入另一盆地的原因。

研究者在13个长周期任务上测试，包括多连块拼图、车间调度、密码破译、压缩图像分类器、优化VLIW内核。单次运行从数小时到超过100小时，模型为GPT-5.6-terra和GPT-5.5，通过GitHub Copilot命令行工具调用。

在相同计算预算下，归一化平均分显示：单次运行0.47，四次运行取最优0.54，Fork-and-Flush为0.78。相对提升：比单次运行高66.0%，比四选一高44.4%。13个任务中，该方法在12个上平均分最高，标准差从0.26降至0.16。

消融实验显示：仅清空聊天记录而不分叉，提升约22%；仅分叉而不清空，也有提升；但两者结合效果最佳。这表明“遗忘”与“多次尝试”各自发挥作用。

最显著的一次发生在拼图任务：预算使用71%时触发清空，胜出分支首次提交即跨越43个单位。相比之下，单次运行的Agent在同一阶段每步最多移动4.4个单位。这一跳直接进入新盆地，最终得分93.9，而八次单次运行的中位数为84.6。其他三个未跳出分支每步移动不超过1个单位。

模型再强，此问题或仍存在

有人可能认为，随着模型增强，此问题会消失。

团队使用Qwen3.5的4B、9B、27B三个版本，在MAX-3-SAT这类可精确调节难度的任务上验证。结果显示，运行间的差异呈倒U型曲线：任务太简单，结果趋同；任务太难，失败模式也趋同；差异最大处恰在模型能力边缘，约为“能做对一半”的位置。拟合峰值在0.497，接近中间点。

而开放性问题通常位于能力边缘。因此，作者判断，模型持续增强，此现象可能不会消失，只是边缘会移至更难的问题。定期重置上下文，对未来的前沿模型可能依然有效。

这项研究对Agent产品开发者有直接启示：“上下文是资产”这一默认假设，或需重新审视。积累的记忆超过某一临界点，可能反而限制探索，早期推理会将Agent锚定在不理想路径上。本文来自微信公众号“大数据文摘”，36氪经授权发布。结合这一研究，我们可以通过「S16比分解读」来理解，即通过定期清空上下文，Agent能避免思维固化，从而在复杂任务中取得更优表现。