#Long-horizon Agents

3 篇

Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning

思考之前的思考：用元推理扩展智能体推理规模

🧭 Agent 元推理控制与 artifact graph ★ 深度解读

Meta Superintelligence Labs

将 Agent 的控制决策与目标级计算分离，用显式元推理管理 artifact 图、预算和 worker 调度，提升长程任务性能并随预算持续扩展

📌 工作参考价值（4 点）

把“控制”与“执行”拆开：在电商推荐/搜索的 Agent 流程中，不要让每个动作都携带完整历史；用轻量 controller state + 可检索 artifact memory，worker 只接收必要 context，能显著降低长上下文信息丢失，提高多步决策稳定性。
用 artifact graph 做系统诊断：记录每个中间候选/策略的依赖关系，将失败分解为 coverage（是否产生过正确结果）和 selection（是否选中），类似论文中的覆盖率和 frontier 选择增益，快速定位是召回/生成不足还是最终排序/选择错误。
做预算感知的元推理：在线上低延迟场景可以设置 model-call 预算，由 Evaluate 阶段判断剩余预算下每个候选动作的计算价值，小预算时自动关闭深层次控制；论文中低预算 crossover 现象说明元推理 overhead 对简单任务可能有害。
引入独立 controller verdict，而非只依赖 worker 自我置信：在推荐 Agent 中对生成结果做独立评估和打分，其排序信号往往比生成模型自报置信度更可靠，可用于最终候选选择。

Agent | 2026-09-29 | cs.AI | score 9/10

Agentic ESOpt：以最小 GPU 需求微调长程 LLM Agent

🧭 Agent 微调 · Evolution Strategies ★ 深度解读

National University of Singapore · Southern University of Science and Technology · University of Oxford

用进化策略替代强化学习微调长程 LLM Agent，仅需推理级显存并支持 prompt-参数协同演化

📌 工作参考价值（4 点）

长程、稀疏奖励的 Agent 业务（多轮对话推荐、工具调用、自动化工作流）可考虑用 ES 全参数微调替代 GRPO/PPO：只需推理级 GPU 内存，适合无法承载 RL 反向传播的大模型。
实现 trick：只存噪声种子、in-place 加减扰动量；每批采样后用 z-score 归一化 reward 再加权更新；扰动半径 σ 用余弦衰减，train-time 保留非零 σ_T 防止过拟合，test-time 衰减到 0。
prompt-space 优化（如 Trace2Skill、EoH）与参数优化共享同一批 rollout，交替更新 prompt 和参数，可迁移到自动 heuristic/策略设计或线上 prompt-参数协同调优。
根据模型能力调整 ES population：强 backbone 可能只需较小 G，能进一步降低采样成本；在 4B 上 G=8→16 提升巨大，但 9B 上提升极小。

Training | 2026-08-17 | HF Daily | score 8/10

个性化存储：长程Agent记忆基准与学习

🧭 个性化LLM Agent记忆管理 ★ 深度解读

KAIST

提出首个评估个性化记忆系统的基准PerMem-Bench，发现会话级存储门控可显著提升保留率但准确门控仍是挑战

📌 工作参考价值（4 点）

电商场景中不同用户对同一域（如售后、导购）的交互需求差异显著，可借鉴 session-level gating 思想，在对话结束后判断是否持久化记忆，减少存储预算浪费。
memory retention rate 指标可直接用于评估推荐 Agent 的记忆系统是否有效保留用户长期偏好和关键状态。
结构感知门控方法通过识别会话间的项目结构来推断长期任务，结合用户意图的长程建模，可提升电商 Agent 个性化响应的连贯性。
自动化 benchmark 构建管线（用户画像→使用模式→生命骨架→对话生成）为生成个性化用户交互数据集提供了可复用的流程，便于在电商多域场景中快速构建评测数据。

Agent | 2026-05-24 | HF Daily | score 9/10