微软研究院的一项最新研究颠覆了常规认知，他们聚焦于当前热门的Agent系统，发现“长记忆”可能并非助力，而是毒药。

通常认为，Agent记得越多，表现应越好。但10月5日发布在arXiv上的论文《Fork-and-Flush: Escaping Idea Basins in Autoresearch Agents》指出，事实可能相反：对话时间越长，Agent越容易陷入思维僵局。微软提出的解决方案简单直接——定期清空聊天记录。

同一Agent，八次运行，八种结果

研究针对一种“自动研究”Agent，其工作流程是：提出方案、运行实验、评估分数、根据反馈调整方案，如此循环，持续数小时甚至数天。

团队让同一Agent在相同任务上独立运行八次。按理结果应相近，但实际最终分数从68.3到100.0不等，中位数为81.9，最大差距超过30分。

更令人沮丧的是，增加计算资源无效。表现较差的运行即使投入大量计算，也只在原地徘徊，差距基本无法弥补。

为何如此？团队将每次运行的方案按“功能相似度”绘制成二维地图，发现每次运行的方案都集中在地图的极小区域，几乎不移动。他们称这些区域为“思维盆地”。八次运行分别落入五个不同的盆地。

这好比一个装修队，第一天选定北欧风格，后续每件家具都倾向北欧风。即使地中海风更适合，他们也难以想起，因为手机里存满了北欧风参考图。聊天记录，就是Agent手机里的那些参考图。

值得注意的是，这些Agent本有“自动压缩聊天记录”机制，对话过长时会自行总结。但实测表明，仅靠压缩摘要，仍无法跳出盆地。

微软的解法：记忆清空

该方法名为Fork-and-Flush，分两步实施。

分叉（Fork）：将Agent复制成多个并行分支，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，所有资源完整保留。

清空（Flush）：每个分支的聊天记录清零。它们不再考虑之前思路，仅基于现有资源，重新思考下一步。

分支运行固定时间后比较分数，保留最佳者继续，其余解散。论文强调，新分支必须从这些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。单次运行从几小时到超过百小时，使用GPT-5.6-terra和GPT-5.5模型，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：单次运行0.47，运行四次取最佳0.54，Fork-and-Flush达到0.78。相对提升方面，比单次运行高66.0%，比四次选一高44.4%。13个任务中，它在12个上平均分最高。稳定性也增强，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“多试”各有所长。

最戏剧性的案例发生在拼图任务上。当预算使用71%时触发清空，胜出分支的首次提交就跨出43个单位。相比之下，单次运行的Agent在此阶段每步最多移动4.4个单位。这一跳直接进入全新盆地，最终得分93.9，而八个单次运行的中位数为84.6。其他三个未跳出的分支，每步移动不超过1个单位，原地停留。

模型再强，问题可能依然存在

有人或认为，模型更强后，将不再陷入思维僵局。

团队使用Qwen3.5的4B、9B、27B三个尺寸，在MAX-3-SAT这类可精确调节难度的任务上验证。结果显示，运行间差异呈倒U型曲线：任务太简单，每次都能解决，解法趋同；任务太难，每次都失败，失败也趋同；差异最大处，恰好在模型能力边缘，约“能答对一半”的位置。拟合峰值在0.497，基本居中。

而开放性问题，按定义就处于能力边缘。因此作者判断，模型持续增强，这种现象可能不会消失，只是边缘会移至更难的问题。定期重置上下文的方法，对未来的前沿模型可能依然有效。

这一研究对Agent产品开发者有直接提醒：“上下文是资产”这一默认假设，或许值得质疑。积累的记忆超过一定阈值后，可能反过来限制探索，早期推理会将Agent锚定在不够理想的路径上。

如果你想了解更多关于Agent的实用技巧，可以尝试通过九游网页版入口获取最新资讯和工具资源。本文来自微信公众号“大数据文摘”，36氪经授权发布。