两个坏消息：智能体会越跑越钝，外壳会越用越废
长程任务跑久了会怎样？arXiv 2610.13494 给了两个有点扎心的实测发现。一个是长程减速：随着单会话越拖越长，智能体的推理强度跟着下降，进展也变慢——不是任务变难了，是智能体自己「疲」了。另一个更狠，叫 harness 贬值：那些定制 harness（提示、工具、技能、经验管理那一整套外壳）带来的收益，会随着底层模型变强而蒸发。翻译一下就是：你花大力气给模型配的外挂，下一代模型出来可能就不需要了。
这两个发现其实和 1823 那篇「harness 有天花板」互为印证，但 HMA（Humanize MLE Agents）没有停在诊断上。他们的判断是：既然收益未必跨版本存在，那就别在单会话里死磕，让智能体跨会话接力干活。
把上下文重置当成工作流来设计
做法本身不复杂：两个智能体在同一个共享工作区上轮班，每段会话最多做 k 个实验，段与段之间彻底重置上下文，不附加任何任务专属的 harness 或先验知识。听起来像「换个人接手」，但论文给它配了理论——把交替的智能体会话建模成上下文重置半马尔可夫决策过程（CR-SMDP），进而给出交替优于单智能体的充分条件、一个显式的实验预算边界，以及会话上限设在哪儿能保住优势。
换句话说，「轮班」不是拍脑袋的工程技巧，而是有边界条件可依的形式化结果。这也是它和「多开几个子智能体」的区别：子智能体并行是分摊工作量，会话交替是主动管理认知负荷——上下文本身就是被调度的资源。
成绩单：更少的预算，更高的夺牌率
结果摆出来很能打：在 MLE-bench 的 75 个 Kaggle 任务上，HMA 把 any-medal 率做到 78.2%，比头部开源基线高 8.0 个点，而时间预算只要对手的四分之一。更说明问题的是泛化性：在六个配置、五组异构智能体配对上都测过，平均比组成它的那些单体基线高 6.4 个点——不挑队友，这在一个「换模型就得重调」的领域里挺难得。附加的内核优化案例里，它跑到 878 个周期，距社区榜单的领先者只有 1.6% 以内。
把本周几篇放一起看，长程智能体工程的三条路线就齐了：1823 说内容失败得回去训权重，1828 的 SLA 说把状态搬进 harness，HMA 说干脆把会话切成段、让上下文周期性归零。三条路不互斥，甚至可能是同一个系统的不同层。要挑刺也有：论文只验证了两个智能体轮班，k 怎么定没有通用法则；Kaggle 任务有明确的评分函数，换成开放式目标还灵不灵，得打问号。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。