arxiv_agents_review_2026-10-16

智能体什么时候该遗忘，什么时候该快一点？两篇 arXiv 新论文解读

解读日期：2026 年 10 月 16 日

阅读版本：两篇论文的 arXiv v1。本文依据论文正文、结果表与附录撰写，未独立复现实验。标为"分析""推论"或"研究建议"的内容，是本文的解释与延伸。

这次选择的两篇文章都研究大模型智能体，但它们把注意力放在两个经常被参数规模掩盖的问题上：历史经验怎样影响下一次探索，推理耗时怎样影响实际行动。前者关乎长期探索的质量，后者关乎动态环境中的有效性。

论文	首次提交	研究团队	阅读重点
Scaling Discovery Requires Forgetting	2026-10-14	Shangyin Tan 等；UC Berkeley、Stanford、Bespoke Labs	怎样避免自动研究被既有搜索历史困住
The World Won't Wait: Evaluating and Teaching Agents Under a Live Clock	2026-10-14	Ningxin Pan 等；北京大学、三星研究院	怎样协调慢速推理与实时行动

作者在四项有自动评分器的优化任务上，比较持续运行的单智能体、四个独立智能体，以及通信并周期性遗忘的团队。遗忘保留当前最优候选及其分数，清除会话和候选历史；没有修改模型权重。主实验使用同一模型、相同 API 支出预算，每个配置重复三次。 $1，§3--4$

下面摘取两个任务的三次运行均值。指标越高越好，AHC014 的单位为千分。

数据来源： $1，表 1$ 。AHC014 上，相对单智能体的增幅约为 38.7%，相对四个独立智能体约为 14.4%；这些是特定任务得分的相对变化。

更有辨识力的是同一起点实验：在已停滞的 AHC014 团队上，再进行每个智能体 30 次提案，继续历史得到 1.4% 的平均增益，遗忘得到 9.2%；对应 API 支出为 24.67 和 15.32 美元。 $1，§4.3、表 3$

可以用一个假想例子理解：一个智能体最初认为某种算法路线不值得尝试，随后几十轮都围绕另一条路线做局部优化。如果每次决策都读到原来的判断，新提案就可能持续沿用这套前提。

这里需要区分两种知识。

一种知识存在于可运行的方案里，例如一个已经通过验证、确实提高了得分的算法组件。另一种知识存在于过程叙述里，例如"这条路线看起来没有希望""这个改动太复杂"。前者是经过评价的成果，后者包含当时条件下的判断。

两者当然都可能有用，但它们不应自动获得相同的决策权重。一个失败判断是否继续有效，取决于前提有没有改变、测试是否充分、后来是否出现了新的组合方式。

因此，我认为这项研究最有价值的解释，是把智能体的记忆问题转化成了一个选择问题：哪些历史仍然构成有效证据，哪些历史正在限制下一轮探索？这比单纯增加上下文容量提出了更具体的研究对象。

表 1 的完整方案同时包含通信与遗忘，所以不能把相对独立智能体的全部收益都归因于遗忘。同起点的继续／遗忘比较更接近直接检验遗忘的作用，但仍需继续拆分干预机制。

例如，可以分别控制：

这些是本文提出的实验建议，并非原文已经完成的结果。

我也不会把代码改动变大直接解释为"创造力提高"。更大的改动可能表示搜索范围扩大，也可能只是增加了无效变化。要支持创新机制，需要同时观察候选之间的结构差异、有效新方向的比例，以及最终经过独立验证的收益。

这篇文章的优点，是用简单、可执行的干预检验了长期搜索中的一个实际问题。它把注意力从"让智能体继续想"转向"怎样让后续探索仍有信息价值"。

但评价范围应受到单一骨干模型、少量重复运行和特定评分任务的约束。它还不足以支持"智能体应该普遍删除记忆"，更不足以推出"更长上下文通常有害"。

对产品设计，我的推论是：可以让在线决策只接触经过筛选的成果，同时在独立记录中保留完整实验过程。这样，重新探索与可追溯性可以同时存在。是否有效，仍应在具体任务上检验。