长任务智能体的关键不只在模型：把任务状态移出上下文单独管理

长程任务的难点不只是推理步骤多，还在于状态会持续变化。现有智能体框架通常把任务执行、状态记录和完成判断都留在不断增长的上下文中，既难追踪，也可能让一次错误的自我判断进入后续决策。LongHorizon-Harness 因此把问题重新定义为任务状态管理。

核心机制

框架将任务状态放在执行过程之外，并且只用从环境中独立验证的事实更新。其 Manage-Execute-Audit（MEA）循环分为三个角色：管理器维护当前状态并决定下一个子任务；执行器使用新的上下文完成该子任务；只读审计器检查执行后的环境状态，再进入下一轮。这样，执行结果不会仅凭模型自述写回任务状态。

论文还提供轻量级 AgentAdapter，使模型后端和智能体框架后端可以互换，同时不需要修改它们原有的 agent loop。这意味着该方案更接近可插拔的编排层，而不是绑定某个特定模型的工作流。

基准表现

在 WeaveBench 上，Qwen 3.7 Plus 从 51.8% 提升到 80.7%；在 Terminal-Bench 2.1 上从 69.7% 提升到 77.2%；在 OSWorld 2.0 上从 2.8% 提升到 8.3%。Claude Opus 4.7 在 OSWorld 2.0 的一个子集上也从 20.0% 提升到 34.3%。这些结果覆盖不同模型、框架和交互环境，但 Claude 的数字来自子集，不宜直接与完整基准成绩并列比较。

我的判断

这项工作的价值在于把长程智能体的可靠性问题从“继续扩大上下文”转向“明确管理并验证状态”，工程思路比单纯依赖模型自我反思更稳健。它尤其适合环境状态可读取、任务步骤相互依赖且结果能够独立核验的场景。

边界也很明确：如果环境反馈难以观察、验证标准含糊，或者审计本身成本很高，MEA 循环是否仍然有效尚不清楚。给定摘要也没有提供延迟、Token 与计算开销、消融实验等信息，暂时无法判断收益主要来自状态外置、上下文刷新还是审计环节。OSWorld 2.0 提升后的绝对成绩仍为 8.3%，说明框架改善了执行可靠性，但离解决开放桌面长程任务还有明显距离。