从执行到掌舵：长程Agent为何仍需人类？Argus如何破局？

2026-09-07 12:37 0 阅读

近年来，随着大模型能力的跃升，AI Agent 已能熟练调用工具、修改代码、运行实验，初步实现了与真实世界的交互。然而，当任务时长从几十分钟延伸至数天甚至更久，一个显著瓶颈浮现：系统仍需人类长期值守屏幕，实时判断下一步行动方向。这种依赖并非源于模型无法执行指令，而是因为现有 Agent 架构普遍只自动化了“执行”环节，却未解决更高阶的“驾驶”问题——即在缺乏明确奖励信号和清晰目标的情况下，如何持续、高效、有方向地推进复杂研究任务。

微软与上海交通大学等机构近期开源的 Argus 系统，正是针对这一核心挑战提出的系统性解决方案。Argus 并非仅仅追求在基准测试中取得高分，而是构建了一套面向真实科研场景的通用长程推理运行时。其技术报告覆盖 27 个独立 Campaign，累计运行 1,548 小时墙钟时间，平均仅每 40.7 小时才需一次人类主动干预，任务占空比高达 95.1%~98.7%。更重要的是，Argus 在 AI4AI、GPU Kernel 优化、模型训练、AI4Science、芯片设计、数学证明、系统研究等多个前沿领域产出了可验证的实质性成果，标志着 Agent 正从“自动执行器”向“自主研究员”演进。

从目标驱动到证据驱动：重新定义 Agent 的决策逻辑

传统 Agent 设计多采用 Goal-Driven（目标驱动）范式：用户设定一个初始目标，Agent 围绕该目标规划并执行动作。这种模式在短周期、结构化任务中表现良好，例如自动泊车或单次代码修复。但一旦进入开放性、探索性强的长周期研究场景，问题便暴露无遗。研究初期的目标往往只是基于有限信息的假设，随着实验推进，新证据不断涌现，原始目标可能变得不切实际甚至错误。若 Agent 仍机械地追逐初始目标，极易陷入“目标僵化”陷阱——在不可能成功的路径上反复消耗计算资源与 Token，却无法自我修正。

Argus 提出的核心创新在于将控制逻辑从 Goal-Driven 转向 Evidence-Driven（证据驱动）。在此范式下，Agent 的下一步行动不再由预设目标决定，而是由当前已获得的所有证据动态推导而来。系统引入了一个名为 Driver 的高层决策模块，其职责是在计划与现实发生冲突时，依据最新证据重新校准航向。具体而言，Driver 需持续回答四个关键问题：

当前工作是否已完成且质量达标？ —— 避免过早终止或无效重复；
基于现有证据，下一步最值得投入资源的方向是什么？ —— 实现动态优先级排序；
本轮经验应如何调整后续系统行为？ —— 支持策略自进化；
剩余问题是否触及人类专属决策边界？ —— 明确人机协作接口。

这种机制使得 Argus 能够在目标模糊、反馈稀疏的环境中保持研究连贯性。例如，在数学猜想验证任务中，Agent 可能最初尝试某种证明路径，但若干次失败后，新生成的反例或中间引理构成关键证据，促使 Driver 主动转向替代方法，而非固执于原计划。

构建通用长程运行时：多角色协作与知识沉淀架构

为支撑 Evidence-Driven 决策，Argus 设计了一套高度结构化的运行时架构。它将长期项目组织为 Campaign（战役），每个 Campaign 由一系列边界清晰的 Mission（任务）组成。其核心工作流采用四角色闭环：Manager → Planner → Engineer ⇄ Reviewer → Manager。

Manager 扮演战略指挥官角色，负责阶段转换、流程审批与全局策略制定；
Planner 基于当前证据库规划具体子任务，生成可执行方案；
Engineer 进入真实环境（如代码库、实验平台）执行操作；
Reviewer 独立审查产出工件，评估其创新性、有效性与合规性，并向 Manager 汇报或要求 Engineer 返工。

这一设计的关键优势在于 上下文隔离与角色专业化。不同于将所有功能集成于单一 Agent 的做法，Argus 通过角色分工避免了“局部爬山”问题——即 Agent 因上下文过载而陷入次优解。每个角色拥有专属上下文窗口，但共享统一工作区（Workspace），既提升 Token 利用效率，又保障信息一致性。更值得注意的是，Argus 支持在同一任务中混合调用不同 Harness（如 Pi、Codex、Claude Code、DeepSeek），实现高度客制化的工具链组合。

此外，Argus 强调 Core 与 Vertical 的解耦。Core 层提供通用能力：角色权限管理、证据提交协议、人类干预边界定义；Vertical 层则由领域专家定制，明确特定领域（如数学、材料科学、芯片设计）中何为“有效证据”，并注入领域专属技能与知识库。这种架构不仅提升了跨领域适应性，也为人类专家与 Agent 的协同进化提供了标准化接口。

所有通过质量门槛的经验会被沉淀至 Wiki（知识库）与 Skill（技能库），按 Project、Vertical 或 Global 作用域分类存储，供后续任务复用。这种自进化机制使系统能力随时间累积增强，形成正向循环。

1548 小时的真实验证：从工程交付到科学探索

Argus 的价值最终体现在其产出的真实性与广度。在不到一个月的开源周期内，系统已在多个高难度领域取得突破：

AI4System & Infra：成功自动化部署并优化分布式训练流水线，产出可直接集成的工程交付物；
AI4Science：在材料发现任务中，通过高通量模拟筛选出潜在高性能合金成分；
AI4Hardware：自动生成并验证新型 GPU Kernel，性能优于手工优化版本；
AI4Math：公开完整运行日志，展示对开放数学猜想的系统性探索过程，包括反例构造与引理推导；
AI4AI：实现从问题定义、实验设计、结果分析到论文撰写的端到端研究流程。

这些成果共同勾勒出一条清晰的价值演进路径：从自动化执行 → 自动化交付 → 自动化探索 → 全流程自主研究。评价标准也相应从“是否完成指定任务”转向“能否独立推进悬而未决的科学问题”。尤其在数学领域，Argus 是首个公开完整 session 日志的团队，其透明性为社区验证 Agent 的科研能力提供了宝贵基准。