不再“堆叠”历史，而是学会“重构”思维
AI Agent的“记忆力困境”
你是否遇到过这样的情况：让AI助手帮你做一个深入的课题研究，它刚开始还能条理清晰地搜索、分析，但进行到几十轮之后，回答开始变得敷衍、混乱，甚至自相矛盾？
这不是你的错觉，而是当前所有长周期AI Agent共同面临的尴尬——做得越多，想得越糊涂。
2026年初，来自中国人民大学与阿里巴巴通义实验室的研究团队发表了一项令人瞩目的工作：IterResearch。这项研究揭示了一个反直觉的现象：在仅40K的上下文窗口中，AI Agent竟然可以完成2048轮交互，且性能不降反升——在BrowseComp基准测试上，准确率从3.5%一路攀升至42.5%。
今天，我们就来深度拆解这项工作的核心思想，并通过代码实践，带你亲手构建一个具备“马尔可夫工作空间”的长周期研究智能体。
一、为什么传统Agent会“越搜越糊涂”？
1.1 ReAct范式的天然缺陷
当前主流的Search Agent大多基于ReAct（Reasoning + Acting）范式工作：Agent思考下一步需要做什么（Reason），然后调用工具执行（Act），将结果追加到上下文中，进入下一轮循环。
这个过程用伪代码表示很简单：
