研究人員提出了一種適用於長週期自治代理人的架構

研究人員發表了工作 An Architecture for Long-Horizon Agents，描述了一種結構，用于執行持續數周的任務。作者提出了解決有限上下文窗口問題的方案，允許代理在重啟過程中不會丟失數據而保持工作能力。

提出的架構由三個關鍵組件組成：分層級別、索引時間軸、自主動作的時鐘機制和級聯智慧系統。在後一種情況下，任務只會在基礎級別未通過內部質量檢查後才會傳遞給更強大的模型。

在持續 10 天 的實驗中，基於此架構的代理成功地重現了強化學習領域的發表結果。同時，人類的參與只需要 每天一次。系統展示了在會話邊界和上下文重置之間保持邏輯鏈的能力。

研究的關鍵結論是，代理的連續學習需要在模型上下文窗口之外存在的基礎設施。早期工作階段記錄的知識會影響系統的後續行為，而無需修改模型本身的權重。該工作在 Creative Commons Attribution 4.0 許可下發表。