LongHorizon-Harness：拆出独立审计角色，专治 AI Agent 长任务越做越跑偏

LongHorizon-Harness 是一个专门解决 AI Agent 在超长任务中「越做越跑偏」的开源框架。它不做新的大模型，而是通过一套独立的管理、执行与审计架构，管住现有的代码助手和智能体，让它们在面对耗时数小时甚至数天的复杂工程时不会中途失控。

现在的 Agent 框架大多把整个任务塞进一个持续膨胀的上下文会话里。随着历史记录越来越长，模型不仅检索关键信息变难，还会陷入错误累积的恶性循环：前期出现的一个小失误会误导后续所有决策，更糟的是，Agent 总是自己总结自己的工作，把未经验证的猜测当作事实，最终在同一个错误操作上重复死磕数百次，或者自以为完成任务而提前退出。

用独立审计打破上下文膨胀

LongHorizon-Harness 的核心机制叫做 MEA 循环，也就是管理（Manage）、执行（Execute）与审计（Audit）三权分立。它把任务状态抽离到执行上下文之外，由三个相互独立的角色轮流推进。

管理者负责全局规划。它每轮根据独立审计报告核对当前进度，明确未完成的目标、边界条件和验收标准，派发下一个子任务。在总 Token 消耗中，管理者只占大约 2% 到 8%。

执行者只在一个全新的空白上下文中干活。它拿到具体的单步子任务，去环境里改动代码或操作界面，执行完毕后汇报动作。一旦当轮结束，执行过程中产生的原始交互记录全部直接丢弃，不污染后续的长期协作。

审计者拥有绝对的验收权。它是一个只读角色，通过系统工具直接检查真实环境中的文件改动、日志或界面状态，只有被它确认的变动才能写入外部任务记录。执行者自己的陈述只能给审计提供排查线索，绝不能算作完成证据。审计过程占到了总 Token 的 19% 到 38%，以此杜绝谎报进度。

框架为各角色设置了硬性预算：执行者单轮上限 1800 秒，管理者和审计者各 300 秒，单任务最多执行 25 轮。

换框架不换模型，成功率最高翻倍

在底层模型和执行后端完全不变的前提下，仅仅把外层框架替换为 LongHorizon-Harness，多项高难度基准的成绩都出现了明显跃升。

在跨界面协作评测 WeaveBench 上，使用 Qwen 3.7-Plus 模型时，任务通过率从 bare Claude Code 的 51.8% 飙升至 80.7%，综合得分从 0.702 升至 0.835。在真实操作系统复杂任务基准 OSWorld 2.0 中，Qwen 3.7-Plus 的二元任务完成率提升至原来的 3.0 倍，Claude Opus 4.7 也从 20.6% 提升至 35.3%。而在命令行基准 Terminal-Bench 2.1 上，成功率从 69.7% 提升到了 77.2%。

除了成功率，Token 消耗也出现了有意思的分化。在 WeaveBench 和 OSWorld 等复杂环境里，由于加入了反复审计，消耗的 Token 确实有所增加。但在 Terminal-Bench 2.1 上，由于避免了大量的无意义死循环尝试，该框架反而比基线节省了 24% 的 Token。

在游戏类任务测试中，模型能力越强，审计反哺的效果越明显。Claude Opus 4.7 凭借更少轮次的审计修正，总 Token 反而降低了 33%；而相对较弱的模型则会触发更多审计修复回合，消耗更多 Token。

怎么安装和使用

LongHorizon-Harness 对运行环境要求很低，只需要 Python 3.10 及以上环境即可。

系统提供了轻量级的 AgentAdapter 适配器，可以直接兼容现有的主流 Agent 运行时，包括 Claude Code、Codex CLI、OpenClaw 以及 Hermes Agent，底层支持接入 Claude Opus、GPT 和 Qwen 等多款模型。

使用 pip 或 uv 即可快速安装该工具：运行 uv tool install lh-harness 即可完成部署。

启动任务时，只需要在命令行中指定任务描述、执行代理和模型名称。比如运行 lh-harness run 并传入任务参数，还可以加上 --dashboard 参数实时观察 MEA 循环的运行轨迹，每个任务的所有审计记录都会独立隔离保存在对应的目录中。

为什么重要

我们认为，LongHorizon-Harness 最聪明的地方在于它没有盲目追求把超长上下文塞给单个模型，而是用传统软件工程里的「职责分离」和「独立验收」去修正大模型的幻觉惯性。它清楚地证明了一件事：在长周期任务里，决定 Agent 表现上限的往往不是模型的原始单步推理能力，而是框架能帮它保住多少有效进度。

如果你正在开发自动化运维、复杂代码重构或长时间无人值守的 Agent 项目，这个框架非常值得立即尝试。它的主要代价在于审计阶段带来的额外 Token 开销和时间等待，但相比 Agent 独自死循环几百步导致的彻底跑偏，这种确定性的成本投入显然划算得多。