最近，人工智能领域出现了一篇颇具颠覆性的研究论文。该论文由微软研究院主导，研究对象是目前备受瞩目的AI智能体（Agent）。

根据常规认知，智能体积累的信息越多，其表现应当越出色。然而，这篇于10月5日上传至arXiv的论文《Fork-and-Flush: Escaping Idea Basins in Autoresearch Agents》却指出，实际情况可能截然相反：交互时间越长，智能体越容易陷入思维僵局。 针对这一困境，微软提出的解决方案听起来相当直接：定期清除对话历史记录。

同一智能体，八次运行，八种表现

研究人员关注的是一种“自动研究型”智能体。其工作流程是：提出一个方案，执行实验，评估得分，再根据反馈提出下一个方案。如此循环往复，一次运行可能持续数小时甚至数天。

他们让同一个智能体在相同任务上独立运行了八次。按理说，结果应大致相似，但实际最终得分从68.3到100.0不等，中位数为81.9，最优与最差之间相差超过30分。

更令人沮丧的是，增加算力投入也无济于事。对于表现较差的几次运行，即使投入大量计算资源，它们也只是在原地徘徊，差距基本无法弥补。

原因何在？研究团队将每次运行产生的方案，按照“功能相似度”绘制成一张二维地图。他们发现，每次运行的方案都集中在地图的一个小区域内，自始至终没有显著移动。他们将这些区域命名为“思维盆地”（idea basin）。八次运行分别落入了五个不同的盆地。

这就像一个装修团队，第一天确定了北欧风格，之后购买的每一件家具都向北欧风格靠拢。即使地中海风格更适合这个户型，他们也想不到去尝试，因为手机里存满了北欧风格的参考图。而对话历史记录，就是智能体手机里的那些参考图。

值得注意的是，这些智能体本身具备“自动压缩对话历史”的机制，当对话过长时会自行总结再继续。但实际测试表明，仅靠压缩摘要，仍然无法跳出思维盆地。

微软的解决方案：清空记忆

该方法被称为Fork-and-Flush，大致可理解为“分叉并清空”，分为两步。

分叉（Fork）： 将智能体复制成多个并行分支，每个分支继承完整的“工作区”，即之前编写的代码、文件和实验结果，所有成果完整保留。

清空（Flush）： 每个分支的对话历史记录被清零。你们这些分支，不再考虑之前的想法，仅基于现有资料，重新思考下一步该怎么做。

分支运行一段固定时间后，比较得分，保留最优的那个继续运行，其余分支解散。论文中有句话很关键：新分支必须从这些文件中重新推导出自己的意图，这正是它能够落入另一个思维盆地的原因。

研究人员在13个长周期任务上进行了测试，包括多连块拼图、车间调度、密码破译、压缩图像分类器、优化VLIW内核。单次运行时长从几小时到超过一百小时不等，使用的模型是GPT-5.6-terra和GPT-5.5，通过GitHub Copilot的命令行工具调用。

在相同的算力预算下，比较归一化平均分：单次运行为0.47，运行四次取最优结果为0.54，而Fork-and-Flush方法达到了0.78。换算成相对提升，比单次运行高出66.0%，比四次选一方案高出44.4%。在13个任务中，该方法在12个任务上取得了最高平均分。其表现也更加稳定，标准差从0.26降至0.16。

消融实验也颇具启发性：仅清空对话历史而不进行分叉，性能提升约22%；仅分叉而不清空历史，也有提升；但两者结合，效果最佳。这表明“遗忘”和“多次尝试”各自发挥作用。

最戏剧性的一次发生在拼图任务上。当算力消耗达到71%时触发清空，胜出的那个分支在第一次提交时就跨越了43个单位的距离。这是什么概念？单次运行的智能体到了这个阶段，每一步最多移动4.4个单位。这一跃直接进入了一个全新的思维盆地，最终获得93.9分，而八个单次运行基线的中位数是84.6。另外三个未能跳出的分支，每一步移动不超过1个单位，原地停滞不前。

模型再强，这个问题可能依然存在

有人可能会认为，随着模型性能增强，智能体或许就不会再陷入思维僵局了。

研究团队使用Qwen3.5的4B、9B、27B三个版本，在MAX-3-SAT这类可精确调节难度的任务上进行了验证。结果发现，运行之间的差异呈现出一条倒U型曲线：任务过于简单，每次都能完成，解法趋同；任务过于困难，每次都失败，失败模式也趋同；差异最大的位置，恰好处于模型能力的边缘，大致是“能做对一半”的情况。拟合出的峰值在0.497，基本处于中间位置。

而开放性的研究问题，按定义就处于能力边缘。因此，作者的判断是，随着模型持续增强，这种现象可能不会消失，只是边缘会转移到更困难的问题上。 定期重置上下文这一方法，对于未来的前沿模型可能依然有效。

这项研究对从事智能体产品开发的人员有一个直接的提醒：“上下文是资产”这一默认假设，或许值得重新审视。积累的记忆超过某个临界点后，可能会反过来限制探索，早期的推理会将智能体锚定在一条不够理想的路径上。

本文来自微信公众号“大数据文摘”，36氪经授权发布。