从「会执行」到「会掌舵」，长程 Agent 还缺什么？

在 Agent 快速发展的今天，Harness 已经让大模型触碰到真实世界，能够调用工具、修改代码并运行实验。但当任务从几十分钟延伸到数天，系统仍需要一个人长期守在屏幕前，判断下一步往哪里走。

造成这一瓶颈的关键，并不只是模型能力不足，更是现有 Agent 大多自动化了「执行」，却没有真正自动化执行之上的「驾驶」。Harness 赋予模型行动的能力，人类赋予模型决策。人一旦离开，项目也随之停下。并且，在没有密集奖励反馈时，Agent 的执行和反应也会显得迟钝笨拙。

为了解决这一问题，微软、上海交通大学等机构开源了Argus，一套面向长周期研究任务的通用 Agent 推理运行时，并发布技术报告。系统通过证据驱动、自进化、多 Agent 协作、核心与垂域解耦等设计，让 Agent 在没有密集标准反馈的情况下扩展至多领域持续研究数天。

报告覆盖 27 个 Campaign、1,548 小时墙钟时间。平均每 40.7 小时一次主动请求一次人类干预；报告的工作占空比为 95.1%~98.7%。这次 Argus 交付的不只是高分 benchmark，而是一套完整的生产级成果册。团队在 AI4AI、GPU Kernel、模型训练、AI4Science、芯片设计、AI4math、AI4System 等广阔任务上给出了成果，体现了 Argus 的通用性与真实研究级智能。

图 1：Argus 运行时、能力基准与交付结果总览。

• 论文标题： Argus: Who Drives the Harness for Days?
• 论文： https://arxiv.org/abs/2608.05144
• 代码： https://github.com/lbx154/Argus
• 项目主页： https://argusbot.cn/
• 项目成果开源库： https://github.com/Argus-AiTeam
• 项目数学解题直播：https://open.argusbot.cn/#counterexample-live

01

从 Goal-Driven 转向 Evidence-Driven：

谁来决定 Agent 的下一步？

过去两年，Agent 工程的主要进展集中在 Harness：借用自动驾驶的 FSD 作比喻，模型像发动机，Harness 像传动系统，但真正决定车辆驶向哪里的，仍是坐在屏幕前的人。短任务中，就像普通的自动泊车，任务本身还能提供明确反馈；一旦任务延伸到数天，研究问题往往既没有稳定的奖励，也没有从一开始就定义清楚的目标。现有 Agent 由此暴露出真正瓶颈：它们已经会执行，却还不会在不确定性中持续判断。

图 2：Argus 通过实现 auto-research 的自主科研，将人类的角色从持续推动的驾驶位变为副驾驶。

Argus 将 Harness 上方这个此前没有被自动化的位置称为 Driver。它要做的是在计划与现实冲突时，仍能依据证据继续掌舵。研究开始时写下的目标，只是信息最少阶段的初始假设；如果 Agent 只能 Goal-Driven 地追逐预设终点，甚至在不可能的目标上反复浪费 Token，就会造成目标僵化。而 Evidence-Driven 则把控制逻辑倒转过来：下一步由已有证据决定，而不是由计划最初的假设决定。运行中的一切结果，都是会改变路线的有效证据；系统正是用证据驱动。具体而言，Driver 需要根据当前证据反复回答以下四个问题：

1. 这项工作是否已经完成，而且质量足够好吗？

2. 结合当前证据，下一步最值得做什么？

3. 本轮得到的经验，应该如何改变之后的系统行为？

4. 剩余问题是否涉及只有人类才能作出的决定？

02

搭起一套通用的客制化长程运行时

Argus 把长期项目组织成持久化的 Campaign，再拆成一系列边界明确的 Mission。它的基本闭环是 Manager → Planner → Engineer ⇄ Reviewer → Manager：

以 OpenAI Codex 的 /goal 模式为参照，可以更清楚地定位 Argus 的设计取向。/goal 是把一个 agent 的单轮循环拉长为带有 goal state 的持久循环；Argus 则是把研究项目组织为多角色、多 harness、可沉淀知识的长程运行时。前者回答「怎么让 agent 不停下来」，后者回答「agent 不停下来后，怎么有效工作」。这正是从 Goal-Driven 转向 Evidence-Driven 在运行时层面对应的结构差异。

1. Manager 掌握阶段转换，流程审批，全局策略；

2. Planner 根据当前证据规划具体任务；

3. Engineer 进入真实代码库、实验、执行；

4. Reviewer 独立审查工件，并检验创新性与有效性，汇报给 Manager 或打回 Engineer。

这里的重点不是多角色本身，而是拆开上下文 —— 多个角色互相配合，来避免 agent 变成简单的局部爬山器，每个角色拥有自己的独有上下文但是共享工作区，不至于将规划、执行、验证全部交给一个 agent 来完成，可以提高 token 效率。也正因此，可以在 Argus 的一个任务中，同时启用 Pi, Codex, Claude Code, DeepSeek Harness 等不同的 harness，保证了高度客制化。

系统保存的是一套完整的工件；只有通过证据门槛的经验，才会进入 Wiki 和 Skill，并按 Project、Vertical 或 Global 作用域供后续任务复用。

与此同时，Core 与 Vertical 保持解耦：Core 负责角色权限、证据提交和人类边界，Vertical 由领域专家定义数学、GPU、材料等任务中什么才算有效证据以及相关的人类 skill 和知识；Vertical 可以明显提高研究任务交付质量，同样为人类专家与 agent 协同进化，客制化工作流程，提供了接口。

图 3：Argus 的长程运行机制。四类角色围绕持久状态循环，Campaign 可在八个研究阶段间推进或回滚。

03

1548 小时之后，Argus 留下了什么？

真正决定长程 Agent 是否成立的，是时间能否转化为真实的研究成果。Argus 开源后不到一个月，已经在基础设施、材料、芯片、数学和 AI 系统研究中做出卓越贡献，同时我们是首个公布完整端到端数学猜想解决筛选日志的团队，将所有的运行轨迹 session 等均开放，以下为 Argus 开源后各项成果的汇总：

图 4：Argus 代表性研究成果、关键指标与验收依据

如上表所示，Argus 首先在 AI4System & Infra 中把持续运行转化为可验收的真实交付，以明确的工程结果完成从自动执行迈向自主研究的第一步；随后，任务从 AI 基础设施延伸到 AI4Science、AI4Hardware、AI4Math，评价标准也随之从 “是否完成既定任务” 转向 “能否探索悬而未决的现实研究问题”，自动研究因此由自动化交付进一步推进到自动化探索；在此基础上，Argus 又在 AI4AI 方向从单点成果扩展至完整研究流程，以证据持续驱动任务推进，无需人类始终守在屏幕前，由此形成一条从真实交付、跨领域探索到全流程自主研究的递进路径。

图 5：Argus 在全流程论文生产中的交付结果。

以上结果均在 1 个月内取得，把这些成果串起来，Argus 是一条逐步加深的价值链：自动化的对象由一次执行扩展为证据驱动的研究推进，大大加速研究进展，这也是「人离开屏幕后，谁来驾驶 Agent」最直接的回答。

结语

屏幕熄灭以后，项目没有归零

长程智能是让 Token 转化为智能，再用智能把一个研究项目持续推进，产生实际价值。Argus 将原本彼此割裂的模型调用组织成一套持续运转的研究系统，让 Evidence-Driven 控制方向，再通过自进化把经验沉淀为能力。

Argus 展示的不只是一个更长时间运行的 Agent，而是一种新的研究组织方式：Harness 解决模型如何行动，Driver 决定系统如何持续前进，研究速度不再受制于人类的工作娱乐时间。这可能意味着研究的加速时代正在到来。屏幕可以熄灭，研究仍在继续。

作者介绍

Argus 由微软与上海交通大学研究者牵头，由多所高校的研究者共同推进。