微软研究：清空对话历史能让 AI Agent 找到更优解

2026 年 10 月 12 日

微软研究院的一项研究发现，长时间运行的 AI 研究智能体尽管投入了更多算力，仍可能陷入停滞。累积的对话上下文会限制它们的搜索，使其专注于相似的解决方案，而不是探索更好的方法。

微软研究人员研究了他们所称的“Autoresearch 智能体”，即反复提出解决方案、对其进行评估并根据反馈加以改进的 AI 系统。同一个智能体在同一任务上的八次独立运行停滞在显著不同的性能水平上，最终得分从 68.3 到 100.0 不等。根据该论文，即使大幅增加算力，这些差距依然存在。

智能体陷入“想法盆地”

研究人员绘制了所有运行产生的解决方案被绘制在一张二维地图上，相似的解决方案彼此靠近，然后进行比较。单次运行产生的解决方案几乎总是停留在该地图的一小块区域内。作者将这些区域称为“想法盆地”。

智能体会将剩余算力预算的很大一部分用于在产出较低的区域中改进解决方案，而不是去寻找其他运行所发现的更好方法。即使智能体定期压缩其对话历史，这种模式依然存在。

清空聊天历史可让智能体探索新方法

所提出的方法“Fork-and-Flush”结合了两种机制。在“forking”（分叉）中，智能体分裂为 K 个并行分支，每个分支继承之前的工作区和所有生成的文件。在“flushing”（冲刷）中，每个分支丢失其全部聊天上下文，但保留工作区，使其能够开启全新对话并在先前工作的基础上继续推进。

保留父进程聊天上下文的分支往往会回到同一个想法盆地，因为之前的推理会引导其后续步骤。全新的上下文则能恢复搜索的多样性。对话历史会丢失，但代码、文件和已保存的结果仍保留在工作区中。

在相同算力预算下，归一化平均分高出 66%

研究人员在以下场景测试了 Fork-and-Flush13 个长时间运行的任务，包括多联骨牌拼装、作业车间调度和密码分析。任务还包括压缩 CIFAR 分类器和优化 VLIW 内核。单次运行持续数小时到超过 100 小时。智能体通过 GitHub Copilot CLI 使用了 GPT-5.6-terra 和 GPT-5.5。

在相同算力预算下，Fork-and-Flush 的 min-max 归一化平均分为 0.78，而单次运行为 0.47，best-of-4 为 0.54。论文报告相对提升分别为 66.0% 和 44.4%。该方法在 13 个任务中的 12 个上取得了最高平均分。

Fork-and-Flush 的结果也更一致，归一化标准差从单次运行的 0.26 降至 0.16。仅清空聊天上下文而不分支，结果提升了 22%。

更强的模型可能仍需要重置上下文

研究人员还测试了能力更强的模型是否能避免想法盆地，使用了MAX-3-SAT 问题涵盖三种模型规模：Qwen3.5-4B、9B 和 27B。运行之间的方差呈倒 U 形曲线，在处于模型能力边缘的任务上达到峰值，大约介于随机猜测表现和参考求解器表现之间。

作者认为，开放研究问题按定义就处于模型能力的极限处。他们预计，随着模型进步，Fork-and-Flush 所利用的这种差异将持续存在，只是边界会向更难的问题移动。结果表明，即使是前沿研究智能体，定期重置上下文也可能仍然有用。