近年来，人工智能领域的大模型技术经历了迅猛发展，从最初的单轮对话机器人迅速进化为能够处理复杂软件工程、深度信息检索、计算机操作和多模态交互的核心决策工具。然而，随着智能体能力的提升，新的问题也随之浮现：即便智能体在单步操作中表现出色，能否在成百上千次相互依赖的行动中始终保持目标明确、及时修正错误、有效管理上下文，并安全可靠地完成任务，成为新的研究焦点。
这一挑战催生了长程智能体（Long-Horizon Agents）这一新兴研究方向。长程能力被视为智能体进入真实生产环境的关键瓶颈。根据相关研究数据，在约50%的成功率下，前沿智能体完成软件工程类任务所需的“人类专家等效时长”已从早期模型的几秒钟延长至十余小时，且这一时间跨度每7个月翻一倍，2023年后缩短至约4个月，显示出智能体长程能力正处于高速扩展阶段。
值得注意的是，智能体能够长时间运行并不等同于具备长程能力。真正的关键在于能否在更长、更复杂、更真实的推理依赖链上持续有效行动。长期以来，Autonomous Agent、Self-Evolving Agent等概念常与长程智能体混淆。为理清这一局面，一项长达149页的综述系统梳理了超过900项研究、系统与工程实践，首次从“外部脚手架工程×内部模型优化”的协同演化视角，给出了长程智能体的统一定义、完整分类与未来路线图。
长程任务的难点在于单步错误的积累会导致整条轨迹失控。长程任务需要大量紧密耦合的步骤组成连贯轨迹，单步偏差在长链条中会被反复继承和放大。论文将典型失败归纳为目标漂移与误差累积、上下文腐化与窗口压力、稀疏延迟奖励与不可逆行动三类。单纯扩大参数量或上下文窗口并不能解决全部问题，模型需具备计划维护、状态持久化、工具治理、验证和恢复机制，才能在长轨迹中保持稳定。
该综述提出的核心论点是，长程智能体能力是系统级能力，源于外部“脚手架工程”与内部“模型优化”的协同演进。模型提供推理和行动策略，而脚手架工程则负责支持模型决策的执行，包括组织上下文、维护状态、调度工具、编排流程，并对关键步骤进行验证与恢复。二者共同决定智能体能否在漫长而相互依赖的轨迹中稳定前进。长程能力应被视为整个系统的属性，而非基础模型的孤立指标。
论文进一步提出了一条双向演化路径：脚手架工程先将计划、记忆、工具和验证等能力外置，用工程手段迅速拓展模型的能力边界；系统在真实交互中积累的轨迹与反馈，再通过模型优化，用数据/环境构造、微调、强化学习、蒸馏和自进化等策略逐步沉淀到模型内部。模型变强后，又能驾驭更复杂的脚手架，形成持续循环。
论文不以“运行时长”作为长程任务的唯一标准，而是考察任务是否包含大量相互依赖的逻辑决策，以及这些依赖需要跨越多大的执行边界。为此，提出了H1-H3三层任务与C1-C3三层能力的阶梯框架。任务层级包括窗口内任务、跨窗口/跨会话任务和跨任务流；能力层级包括交互式推理、状态与记忆和经验积累。三个能力层级相互关联，C2以C1为前提，C3建立在C1与C2之上。
综述将大模型系统的演进概括为三个阶段：Prompt Engineering阶段通过指令、思维链等提示策略引导模型在单次调用中产生更可靠的推理；Context Engineering阶段系统开始主动组织检索结果、工具返回等上下文；Runtime Harness阶段控制面扩展到智能体运行脚手架，管理工具、记忆、工作流等，使智能体演化为可持续运行的系统。这一演进解释了为何当下的智能体竞争越来越像系统工程竞争。
为将碎片化的智能体研究放入统一坐标系，综述从六个视角构建了六维图谱，将分散在记忆、工具学习、多智能体等方向的工作放入同一张图谱。其价值不仅在于列出更多论文，更在于回答每项改进究竟发生在哪里，是基础策略更强，还是脚手架更完善；是提升单窗口推理，还是解决跨会话状态；是任务成功率更高，还是成本和安全边界得到改善。
脚手架工程被拆分为六个相互连接的核心组件，覆盖从目标设定到最终交付的完整生命周期：循环与工作流负责任务分解、追踪子目标；上下文与记忆执行丢弃、压缩和选择；工具、MCP与技能连接外部能力；编排管理多个模型或智能体的协同；Hooks与中间件执行规则、权限、监控与安全策略；验证检查正确性、安全性和目标一致性。脚手架承担的是长期执行中的状态机、控制器和安全边界。
内部模型优化解决的是如何让策略本身越来越适合长程任务。综述沿完整训练链路梳理了七类方向：架构底座使长轨迹可表示、可训练；任务、环境与轨迹合成构建规模化交互环境；预训练与中期训练注入推理先验；微调让模型逐步面对更长、更难的任务；智能体强化学习处理长轨迹中的信用分配；On-Policy Distillation从模型自己生成的分布中学习；自进化探索智能体与环境共同演化。训练数据需包含真实的环境反馈、过程状态、工具结果与错误恢复轨迹。
论文按智能体与环境交互的接口，将实践形态归纳为五类：软件工程智能体理解大型代码仓库，维护跨文件计划；信息检索智能体执行深度或广度搜索，整合多源证据；计算机操作智能体在浏览器、桌面和移动端持续感知界面状态；多模态智能体在图像、视频、音频等高成本信息中主动选择观察对象；通用智能体面向个人助理、具身系统和生产力任务，在多工具、多环境和长期目标之间切换。评测需从一次性问答升级为“面向时间跨度的评测”。
论文将开放问题归纳为四个轴、九个具体方向。随着任务跨度继续增长，研究重点将从“能不能跑起来”转向“能否长期有效、经济并且可信地运行”。包括泛化与持续学习、进入真实环境、学会花预算、可恢复且可治理的自治等方向。生产环境中的安全与权限边界主要落在脚手架工程中，模型侧对齐必要但不充分，真正决定工具调用、行动审批、经验复用的是运行时控制层。
