AI Agent 终于能连续干几十小时了?高德开源 LongHorizon-Harness

如果你真的把一个复杂任务交给过 AI Agent，大概率见过这种场面：前十分钟思路清晰，半小时后开始重复劳动；明明改坏了文件，却自信地说“已经完成”；上下文一刷新，刚才踩过的坑又踩一遍。

现在，高德 AMAP-ML 团队开源了一个专门治理这类问题的项目——LongHorizon-Harness。

它不训练新模型，也不打算取代 Codex、Claude Code 或 OpenCode。它做的是更务实的一件事：在现有 Agent 外面套上一套“计划—执行—验收—保存—恢复”的长任务循环，让 AI 不只是会做一轮，而是能在桌面应用和命令行之间持续推进，直到交付物真的通过检查。

项目给出的口号很直白：一次给出目标，让 Agent 连续工作几十小时。

这可能是近期最值得开发者关注的 Agent 基础设施之一。

真正拖垮 Agent 的，往往不是智商，而是“断片”

短任务里，模型能力几乎决定了一切。但任务一旦拉长，新的麻烦就会出现：上下文越来越臃肿，任务状态和聊天记录混在一起，错误结论被带入下一步，最后连“到底做完没有”都由执行者自己判断。

这就像让同一个人连续加班几十个小时：他既负责制定计划，又负责动手，还要给自己的结果打分。即使能力很强，也很容易遗漏、误判和跑偏。

LongHorizon-Harness 的关键判断是：长周期 Agent 的问题，本质上是任务状态管理问题。

因此，它把“已经完成什么、哪些结果经过验证、下一步做什么”从不断增长的上下文中抽离出来，变成一份显式、可持续更新的状态记录。只有经过独立检查的事实，才能进入下一轮的可信状态。

三个角色，组成一个不会轻易自我欺骗的循环

LongHorizon-Harness 采用 Manage–Execute–Audit，也就是 MEA 循环。你可以把它理解成一个三人小组。

Manager：管方向。 它读取原始目标、已验证进度、失败证据和剩余工作，只规划下一段边界清晰的小任务。

Executor：管执行。 它每轮使用新鲜上下文，在桌面软件或终端里完成当前步骤，避免历史对话越积越乱。

Auditor：管验收。 它以只读方式独立检查真实文件、界面、日志和测试，不直接相信 Executor 的“我做完了”。

如果验收通过，结果进入 checkpoint；如果失败，失败证据会被带回下一轮重新规划。于是整个流程变成：

计划下一步 → 执行 → 检查真实结果 → 保存可信进度或恢复 → 继续。

注意，这里的三个角色更像职责隔离，不是三个 Agent 各自发散。它要解决的是“谁有权宣布进度有效”，而不是单纯堆更多模型。

同一个模型，套上这层循环后发生了什么？

项目团队在 GUI、CLI 和混合环境的数百个复杂任务上进行了测试。README 公布的同模型、同执行后端对比中，Qwen 3.7-Plus 搭配 Claude Code 后端得到以下结果：

●WeaveBench 的通过率从 51.8% 提升到 80.7%；

●OSWorld 2.0 的完整完成率从 2.8% 提升到 8.3%，约为原来的 3 倍；

●Terminal-Bench 2.1 的成功率从 69.7% 提升到 77.2%，同时 token 使用减少 24%。

论文还报告，在 OSWorld 2.0 的一个子集上，Claude Opus 4.7 从 20.0% 提升到 34.3%。

这些数字最值得关注的地方，不是“某个模型突然升级”，而是：底层模型不变，只改执行循环，也能明显提高复杂任务的完成率。

当然，benchmark 不等于你的真实业务，OSWorld 的绝对完成率也说明桌面 Agent 仍远没有成熟。更准确的结论是：Loop Engineering 正在成为模型能力之外，另一个决定 Agent 上限的工程变量。

它已经不只是一个论文 Demo

LongHorizon-Harness 当前支持 Codex、Claude Code、OpenCode 和 DeepSeek Harness，也允许 Manager、Executor、Auditor 分别使用不同模型。你可以让强模型负责规划和验收，让更便宜的模型负责执行，在效果、速度和成本之间做组合。

它还能把同一个任务横跨浏览器、表格、文档、设计软件和终端：先从网页收集数据，再用命令行处理，接着进入桌面应用生成交付物，最后回到终端跑测试。任务状态始终由同一套循环管理。

v0.1.7 还把完成后的运行变成了可继续追问的会话。你可以在原有轮次账本上追加要求，而不是让系统从头规划。

想试试，五分钟就能跑起来

项目要求 Python 3.10 及以上，推荐使用 uv 安装。你还需要至少一个已经可用的 Agent CLI。

浏览器工作台默认会在本地启动，你可以选择不同角色使用的后端和模型、处理授权请求、查看每轮进度，也可以中途追加指令。

如果任务需要操作图形界面，还要安装对应的 computer-use 插件。例如使用 Codex 时：

doctor 会检查 Python、Agent CLI、Node.js 和插件状态。首次尝试建议先在副本目录或测试项目中运行，因为 Agent 会直接操作你指定的真实工作区。

哪些人最值得现在就关注？

如果你的工作只是让 AI 改一个函数、查一段资料，这套系统可能显得偏重。但下面几类场景很适合它：

●要跨浏览器、终端、表格和文档完成的复杂工作；

●需要多轮修改、测试、视觉检查和失败恢复的项目；

●希望 Agent 跑几个小时，又不能靠“它说完成了”来验收的任务；

●想研究多模型分工、长任务状态管理和 Agent 评测的开发者。

它也有现实门槛：目前主要在 macOS 上经过测试，Windows 虽已包含支持但尚未充分验证；长时间多角色运行会增加模型调用成本；桌面操作涉及系统权限，隔离目录和最小权限仍然非常重要。

最后说两句

过去一年，大家都在追更大的模型、更长的上下文、更强的工具调用。但 LongHorizon-Harness 提醒了我们：真正可用的 Agent，不只需要会思考，还需要会交接、会验收、会保存进度、会从失败中继续。

模型决定一轮能做多好，循环决定它能不能把几十轮串成一次可靠交付。

这也是“提示词工程”之后，一个正在快速升温的新方向：Loop Engineering，循环工程。

如果你正在使用 Codex 或 Claude Code 做复杂项目，这个开源项目值得收藏，更值得拿一个真实但可控的任务亲自跑一遍。

项目地址：https://github.com/AMAP-ML/LongHorizon-Harness

论文：https://arxiv.org/abs/2608.01964

项目主页：https://lh-harness.pages.dev/

PyPI：https://pypi.org/project/lh-harness/

注：文中功能、版本与 benchmark 数据核对时间为 2026 年 8 月 31 日；性能数字来自项目 README、项目主页及论文，实际效果会受模型、后端、权限、任务类型和环境影响。