清空对话历史让AI智能体跳出思维定势，性能提升66%

微软研究院近期发布的一项研究揭示了AI自主智能体在长时间运行中普遍存在的一个隐性问题：随着对话上下文不断积累，智能体的探索空间会逐渐收窄，最终困于局部最优解而无法突破。研究人员将这类系统称为「Autoresearch智能体」，它们通过反复提出方案、评估结果、根据反馈迭代优化来完成任务。实验显示，同一任务的8次独立运行最终得分从68.3到100.0不等，差距显著，且追加算力也无法弥合这一鸿沟。

为了直观呈现这一现象，研究人员将所有运行的解决方案投影到二维地图上，相似方案在图中位置相近。结果发现，单次运行产生的方案几乎始终聚集在地图的一小块区域内，研究者将这些区域命名为「创意盆地」。智能体会将大量剩余算力消耗在对低效区域内方案的反复打磨上，而非探索其他运行已经发现的更优路径。即便定期压缩对话历史，这一模式依然顽固存在。

针对上述问题，研究团队提出了「Fork-and-Flush」方法，结合两种机制共同发挥作用。「分叉」阶段将智能体拆分为K个并行分支，每个分支继承父进程的完整工作区及所有已生成文件；「清空」阶段则彻底抹去每个分支的对话上下文，让其以全新对话重新出发，同时保留此前积累的代码、文件和已保存结果。保留父进程对话上下文的分支往往会回到原有的创意盆地，而清空上下文则能有效恢复搜索的多样性。

研究团队在13项长时任务上对该方法进行了系统评测，涵盖多面体填充、作业调度、密码分析、CIFAR分类器压缩及VLIW内核优化等多类问题，单次任务运行时长从数小时到逾100小时不等，使用的模型包括GPT-5.6-terra和GPT-5.5。结果显示，Fork-and-Flush在相同算力预算下的归一化平均得分为0.78，而单次运行仅为0.47，4选最优策略为0.54，相对提升分别达66.0%和44.4%。此外，该方法的结果稳定性也显著提升，归一化标准差从0.26降至0.16。值得注意的是，即便仅执行清空操作而不进行分叉，也能带来约22%的性能提升。

研究人员还探讨了更强大的模型是否能自然规避创意盆地问题。他们使用MAX-3-SAT问题对Qwen3.5的4B、9B和27B三种规格模型进行测试，发现不同运行之间的方差呈倒U形曲线，在模型能力边界附近的任务上达到峰值——即介于随机猜测与参考求解器性能之间的中间地带。研究者指出，开放性研究问题从定义上就处于模型能力的极限，随着模型持续进化，这条边界只会向更难的问题移动，而非消失。这意味着定期重置上下文的价值对于前沿研究智能体而言将长期存在。

要点

• AI智能体在长时间运行中会陷入「创意盆地」，对话上下文的积累是导致其探索空间收窄、性能停滞的核心原因。
• 「Fork-and-Flush」方法通过保留工作区、清空对话历史的方式重启探索，在相同算力预算下将归一化平均得分提升66%，并在13项任务中的12项取得最优表现。
• 即便不进行分叉、仅清空对话上下文，也能带来约22%的性能提升，说明上下文管理本身具有独立价值。
• 更强大的模型同样面临创意盆地问题，随着模型能力提升，问题边界只会向更难的任务迁移，上下文重置的价值预计将持续存在。