📖 AI 总结

这篇论文探讨了语言模型智能体在执行跨越数天乃至数周的长周期任务时所面临的根本性挑战。作者指出，长周期任务会超出任何上下文窗口、进程生命周期以及人类可关注的间隔，因此智能体必须先具备持续运行且不遗忘的能力，才谈得上持续学习，而这一能力的关键在于模型外围的运行框架而非模型本身。论文从长周期场景中提炼出七个瓶颈，并提出三层分级架构予以应对：按时间尺度划分层级，每层维护一份概括下层的有限文件；以时钟节拍作为自主行动的基本单元；以及级联智能，即仅在任务未通过审查后才升级至更强模型处理。作者通过一项为期十天的实验验证了该架构，智能体在人类每天仅查看一次的条件下复现了一项已发表的强化学习结果，并证明其能在每次上下文重置和会话边界后保持任务连贯性，早期写入的操作知识无需改动模型权重即可改变后续行为。研究认为，此类智能体的持续学习需要一个超越所有上下文与进程的持久基底，而框架中已有的审查机制正是学习组件应当嵌入的位置。

🔑 关键词速览