LongHorizon-Harness：拆出獨立審計角色，專治 AI Agent 長任務越做越跑偏

LongHorizon-Harness 是一個專門解決 AI Agent 在超長任務中「越做越跑偏」的開源框架。它不做新的大模型，而是通過一套獨立的管理、執行與審計架構，管住現有的程式碼助手和智慧體，讓它們在面對耗時數小時甚至數天的複雜工程時不會中途失控。

現在的 Agent 框架大多把整個任務塞進一個持續膨脹的上下文會話裡。隨著歷史記錄越來越長，模型不僅檢索關鍵資訊變難，還會陷入錯誤累積的惡性迴圈：前期出現的一個小失誤會誤導後續所有決策，更糟的是，Agent 總是自己總結自己的工作，把未經驗證的猜測當作事實，最終在同一個錯誤操作上重複死磕數百次，或者自以為完成任務而提前退出。

用獨立審計打破上下文膨脹

LongHorizon-Harness 的核心機制叫做 MEA 迴圈，也就是管理（Manage）、執行（Execute）與審計（Audit）三權分立。它把任務狀態抽離到執行上下文之外，由三個相互獨立的角色輪流推進。

管理者負責全域性規劃。它每輪根據獨立審計報告核對當前進度，明確未完成的目標、邊界條件和驗收標準，派發下一個子任務。在總 Token 消耗中，管理者只佔大約 2% 到 8%。

執行者只在一個全新的空白上下文中幹活。它拿到具體的單步子任務，去環境裡改動程式碼或操作介面，執行完畢後彙報動作。一旦當輪結束，執行過程中產生的原始互動記錄全部直接丟棄，不汙染後續的長期協作。

審計者擁有絕對的驗收權。它是一個只讀角色，通過系統工具直接檢查真實環境中的檔案改動、日誌或介面狀態，只有被它確認的變動才能寫入外部任務記錄。執行者自己的陳述只能給審計提供排查線索，絕不能算作完成證據。審計過程佔到了總 Token 的 19% 到 38%，以此杜絕謊報進度。

框架為各角色設定了硬性預算：執行者單輪上限 1800 秒，管理者和審計者各 300 秒，單任務最多執行 25 輪。

換框架不換模型，成功率最高翻倍

在底層模型和執行後端完全不變的前提下，僅僅把外層框架替換為 LongHorizon-Harness，多項高難度基準的成績都出現了明顯躍升。

在跨介面協作評測 WeaveBench 上，使用 Qwen 3.7-Plus 模型時，任務通過率從 bare Claude Code 的 51.8% 飆升至 80.7%，綜合得分從 0.702 升至 0.835。在真實作業系統複雜任務基準 OSWorld 2.0 中，Qwen 3.7-Plus 的二元任務完成率提升至原來的 3.0 倍，Claude Opus 4.7 也從 20.6% 提升至 35.3%。而在命令列基準 Terminal-Bench 2.1 上，成功率從 69.7% 提升到了 77.2%。

除了成功率，Token 消耗也出現了有意思的分化。在 WeaveBench 和 OSWorld 等複雜環境裡，由於加入了反覆審計，消耗的 Token 確實有所增加。但在 Terminal-Bench 2.1 上，由於避免了大量的無意義死迴圈嘗試，該框架反而比基線節省了 24% 的 Token。

在遊戲類任務測試中，模型能力越強，審計反哺的效果越明顯。Claude Opus 4.7 憑藉更少輪次的審計修正，總 Token 反而降低了 33%；而相對較弱的模型則會觸發更多審計修復回合，消耗更多 Token。

怎麼安裝和使用

LongHorizon-Harness 對執行環境要求很低，只需要 Python 3.10 及以上環境即可。

系統提供了輕量級的 AgentAdapter 介面卡，可以直接相容現有的主流 Agent 執行時，包括 Claude Code、Codex CLI、OpenClaw 以及 Hermes Agent，底層支援接入 Claude Opus、GPT 和 Qwen 等多款模型。

使用 pip 或 uv 即可快速安裝該工具：執行 uv tool install lh-harness 即可完成部署。

啟動任務時，只需要在命令列中指定任務描述、執行代理和模型名稱。比如執行 lh-harness run 並傳入任務引數，還可以加上 --dashboard 引數即時觀察 MEA 迴圈的執行軌跡，每個任務的所有審計記錄都會獨立隔離儲存在對應的目錄中。

為什麼重要

我們認為，LongHorizon-Harness 最聰明的地方在於它沒有盲目追求把超長上下文塞給單個模型，而是用傳統軟體工程裡的「職責分離」和「獨立驗收」去修正大模型的幻覺慣性。它清楚地證明了一件事：在長週期任務裡，決定 Agent 表現上限的往往不是模型的原始單步推理能力，而是框架能幫它保住多少有效進度。

如果你正在開發自動化運維、複雜程式碼重構或長時間無人值守的 Agent 專案，這個框架非常值得立即嘗試。它的主要代價在於審計階段帶來的額外 Token 開銷和時間等待，但相比 Agent 獨自死迴圈幾百步導致的徹底跑偏，這種確定性的成本投入顯然划算得多。