每日论文解读(8.6)——Argus：面向长程推理的通用Agent运行时

论文标题: Argus: A General-Purpose Agentic Runtime for Long-Horizon Reasoning
论文地址: https://arxiv.org/abs/2608.05144
作者单位: Microsoft; Shanghai Jiao Tong University; Fudan University; Nanjing University; Tsinghua University; The University of Hong Kong; Peking University; The Chinese University of Hong Kong, Shenzhen; Donghua University
发表时间: 2026年8月5日

背景知识

在深入解读 Argus 之前，有必要先厘清几个核心概念。

什么是 Long-Horizon Reasoning（长程推理）？ 长程推理指需要在连续时间窗口内维持高频推理、工具调用、验证和迭代，直至产生可度量结果的任务。与单次问答不同，长程推理的核心循环是：提案 → 执行 → 测量 → 修正提案。软件修复、数学证明、科学实验、硬件设计等都属于此类任务，其共同特征是：答案无法直接从手册或数据库中检索，必须通过搜索和反馈发现；单次执行不足以完成；存在任务原生的评估器来区分真正的改进与看似合理但错误的声称。

什么是 Verification-Guided Pivoting（验证引导的转向）？ 在长程任务中，初始目标往往在执行过程中被发现是不可达的、约束不足的或定义错误的。允许目标修订是困难的，因为外部无法区分"发现目标定义错误"与"失败后合理化"。验证引导的转向要求：任何实质性变更必须有证据支持（证明先前路径不可达或目标定义错误），必须通过显式角色边界审批，并且必须被记录以便后续任务继承变更及其理由。这使得"转向"与"目标漂移"可被区分。

什么是 Fixed-Model Runtime Self-Evolution（固定模型运行时自进化）？ 传统系统进化通常指模型参数更新（如微调、RL）。而 Argus 中的自进化发生在运行时状态和控制策略层面——模型权重完全固定，但持久化的技能、记忆、验证规则、路由决策和失败路径记录会随着任务执行不断累积和更新，从而改变后续任务的起点、可用程序、验证义务和路由策略。

什么是 Report-Level Contract（报告级契约）？ Argus 将每个研究活动抽象为一个工作契约 $K_t=(\iota ,o_t,c_t,v_t)$，其中 $\iota$ 是稳定的用户意图，$o_t$ 是当前操作目标，$c_t$ 是已知约束，$v_t$ 是验证标准。$X_t$ 表示用户界面上的澄清、优先级和未解决问题。契约的实质性修订必须通过 ManagerAdmit 算子，结合证据、记录结果和授权决策完成。这一设计将"证据支持的契约细化"与"静默的意图变更"严格分离。

一、背景：为什么需要 Argus？

1.1 长程研究的根本困境

LLM Agent 在短程任务上已取得显著进展，但在长程研究场景中面临三个核心失效模式：

• 连续性失效（Continuity fails）：当增长的对话记录被压缩或丢弃时，推动修订的证据在修订被提出时已不复存在。Agent 无法解释"为什么改变方向"。
• 接受性失效（Acceptance fails）：执行工作的组件同时宣告工作完成，导致修订由最有动机接受它的当事方认证。自我认证无法防止目标漂移。
• 经验性失效（Experience fails）：只有最终产物被保留时，被否定的路径无法作为"某目标不可达"的证据被后续引用。Agent 重复探索已知的死胡同。

现有系统（ReAct、SWE-agent、OpenHands、AI Scientist、CycleResearcher 等）共享一个隐含假设：目标是给定的。它们优化的是执行效率，而非目标本身的可修订性。然而，在真正重要的长程场景中，目标恰恰是最不可能保持不变的东西——数学证明很少以最初设想的定理终结；软件需求往往在候选实现暴露缺失后才变得清晰；系统验证中，规格和实现可能都是错误的。

1.2 现有方法的结构性盲区

• 固定目标的执行优化：ReAct、SWE-agent 等建立了模型与环境的交互接口，但假设操作目标 $o_t$ 恒定。当目标本身需要修正时，系统缺乏机制来区分"合理的转向"与"失败后的合理化"。
• 记忆系统的局部性：Generative Agents、Reflexion、Voyager、MemGPT 等解决了跨会话连续性问题，但记忆的写入缺乏验证门控——候选记忆、技能或规则仅因被生成而被保留，未经行为验证或独立审查。
• 缺乏角色分离的认证：多数系统中，执行者同时是完成宣告者。即使存在"反思"或"审查"，也往往缺乏显式的角色边界和可审计的决策链。

Argus 的核心洞见是：长程推理不是沿着固定路线尽可能跑得更远，而是在证据支持当前路线时坚持，在验证暴露失败路线、隐藏约束或错误指定目标时转向。这要求运行时具备三个能力：持久化的项目状态、明确的角色权威分离、以及验证门控的状态更新。

二、核心创新：验证引导的持久化、转向与运行时自进化

Argus 的技术精髓可以概括为：以持久化项目状态为锚点，通过四角色权威分离执行有界任务，以验证门控机制允许契约修订和运行时自进化，同时保持模型权重固定。

2.1 四角色架构与三平面分离

Argus 围绕四个模型驱动的角色构建，并在三个系统平面上运作：

三平面分离：

• 控制平面（Control）：Manager 拥有调度权威，决定任务分配、阶段转换和资源路由。
• 执行平面（Execution）：Planner 和 Engineer 在共享工作空间上执行有界任务，产生真实工件。
• 记录平面（Records）：存储完整的事件流，但不决定科学完整性。审查决策、契约变更和状态更新被显式记录。

关键设计：任务完成判决的来源是显式的。低风险有界工作允许 Engineer 自审；垂直策略、阶段关闭任务或 Engineer 自身请求时，必须调用独立 Reviewer。完成判决从不来自文件名、Token 量或散文关键词。

2.2 报告级契约模型与 ManagerAdmit

Argus 将工作抽象为报告级契约 $K_t=(\iota ,o_t,c_t,v_t)$：

• $\iota$：稳定的用户意图（standing intent），活动必须保留
• $o_t$：当前操作目标（operational objective），可被证据细化
• $c_t$：已知约束集合
• $v_t$：验证标准

实质性修订被形式化为：
$$(X_{t+1},K_{t+1})=\text{ManagerAdmit}(X_t,K_t,K_t^{\prime },e_t,r_t,u_t)$$

其中 $K_t^{\prime }$ 是提议契约，$e_t$ 是证据，$r_t$ 是记录准入结果，$u_t$ 是授权操作者或 Manager 决策。ManagerAdmit 是规范性算子而非原子 API：它投影自当前目标契约修订、持久化操作者问题、Planner 重新规划、Manager 阶段/路由转换和追加式来源记录。

这一设计的深层意义：它将"证据支持的运营契约细化"与"静默的意图变更"分离。系统拒绝在目标定义不足时继续执行——这种"拒绝"本身具有实用价值，因为它暴露了用户未陈述的约束。

2.3 验证门控的固定模型运行时自进化

Argus 的核心机制是：候选更新（记忆、技能、程序、验证规则、路由决策、被否定的路径）只有在经过相关工件的检查、任务原生证据的验证，以及授权所有者的提交后，才进入持久状态。

具体更新周期包含四步：

两个关键知识表面：

• 版本化技能库（Versioned Skills）：存储可匹配到后续任务的程序。
• 项目知识库（Project Knowledge Base）：存储来源链接的记录和综合页面。

两者都不是自动正确的——条目可在后续结果矛盾时被修订、归档或退役。

模型参数保持固定（${\theta }_{t+1}={\theta }_t$），但后续任务从改变的搜索策略而非更长的对话记录开始。这被称为 verification-gated fixed-model runtime self-evolution。

2.4 有界任务与持久状态

Argus 中的长寿命对象是 campaign（研究活动） 而非提供商对话记录。每个 campaign 拥有持久化的身份和目标；工作被划分为具有显式结果的 mission（任务）。调度器一次分配一个任务，记录其结果，仅在干净的任务边界推进。

跨会话连续性来自一个普通的共享 CHECKPOINT.md，包含持久状态、证据引用、开放问题和下一步。Engineer 在执行后更新检查点；独立审查时，Reviewer 读取并修正同一文件。完整历史保留在工件和事件记录中。

这一设计使重启和升级成为方法的一部分：运行进程仅在任务边界交接，替换进程从同一持久 campaign 身份恢复。

2.5 过程数据的决策理论优势

Argus 形式化了过程数据相对于最终产物的信息优势（Proposition 1: Process-data dominance）：

设 $P$ 为类型化过程记录，$Y=g(P)$ 为其最终产物投影。对于下游决策问题 $q$，若 $Y=g(P)$，则 ${\mathcal{R}}_q(P)\le {\mathcal{R}}_q(Y)$。当两个过程记录可产生相同最终产物但暗示不同最优下一步行动时，不等式严格成立。

这意味着：保留完整的过程记录（包括失败分支）比仅保留最终产物具有严格的决策优势。Argus 因此维护两种记录：

• 追加式事件带（append-only event tape）：保留更丰富的实验信息；
• 有界审查检查点（bounded reviewed checkpoint）：在有限上下文预算下近似决策有用的压缩。

三、实验验证：跨七个基准竞技场与深度纵向分析

3.1 七基准竞技场的能力底线

Argus 在七个异构基准上评估，每个保持其原生指标和参考基线：

关键发现：

• 同一运行时在异构任务上均达到竞争力：从软件修复到 GPU 内核优化，从模型训练到数学数据合成，Argus 证明了验证引导的运行时架构具有跨领域通用性。
• SWE-Bench Pro 上显著超越直接基线：78% vs 59%，+19 个百分点，代价为 1.41× 总 Tokens。额外的计算用于规划、执行和审查。
• 与人类水平可比：nanochat B200/H100 和 nanoGPT speedrun 上达到或超越人类最佳成绩。

3.2 SWE-Bench Pro 纵向自进化分析

Argus 在 731 个 SWE-Bench Pro 任务上的纵向轨迹揭示了运行时自进化的实证模式：

Reviewer 路由与恢复：

• 731 任务中，466 (63.7%) 调用独立 Reviewer，265 (36.3%) 使用 Engineer 自审。
• Reviewer 路径任务平均消耗 2.75× solve input tokens 和 1.80× 活跃时间，说明路由策略将独立审查集中于更难的工作负载。
• Reviewer 在 43 个任务上要求修订，其中 34 个 (79.1%) 后来通过官方验证器，22 个 (51.2%) 完成严格审查循环（continue→revision→done）。
• 35 个任务被声明为 blocked——运行时拒绝报告完成而非发出无支持的完成声明。

Token 与时间效率随状态累积改善：

• 成熟运营 (W19–22) 比启动期 (W1–6) 减少 21% solve input tokens 和 15% 活跃时间/任务。
• 曲线非单调：W13–18 Tokens 最低但时间更长（复杂任务受益于状态复用但执行更久）；W23–24 因晚期困难任务集中而反弹。
• 这一模式与"累积状态减少重复检查、重新发现或失败执行"一致，但任务身份、仓库组合和执行延迟的变化也起作用。

3.3 数学 Campaign：角色解析的深度研究轨迹

一个 Erdős–Gyárfás 数学 campaign 被重构为角色解析的 Agent 轨迹，展示了 Argus 在证明导向研究中的运作：

• Manager 恢复 campaign 并拥有阶段转换权。当 Planner 提议将成功契约从"收集观察"改为"产生证明"时，Manager 批准该细化，并要求新任务从保留结果推进而非从更简单的事实重启。
• Planner 首先选择廉价的证伪测试，然后将工作转化为有界定理任务。
• Engineer 执行领域工作：来源检索、可执行检查、证明撰写、结果打包。
• Reviewer 拒绝夸大的路线，请求缺失的检查，并认证 Engineer 记录的有限定理。

保留的研究前沿：

• 1 条被证伪的路径（24 顶点见证否定了提议的 P13-free 归约）
• 6 个被接受的定理前沿更新，包括：
  • C20：C4 度界 $d(d-1)>n-1$（独立重新推导和检查）
  • C21：有根路径长度 2 vs 4
  • C22：阻塞点或 27，阈值 28
  • C23：阻塞点或 25，阈值 26（从 28 强化到 25）
  • C24：简单三元组（单射映射）
  • C25：Fano 排除（间隙闭合）

效率归因（Rounds 12–17，18 个有界任务）：

• 推理：56.0% 直接（前沿改变的证明任务），39.1% 辅助，4.9% 失败/无操作
• 验证：55.4% 直接（证明比较或重新认证），35.0% 辅助，9.6% 中断
• 行动：55.6% 直接（6 个前沿任务 + 4 个验证任务），38.9% 辅助，5.6% 失败

3.4 自主论文生产：六个完整研究生命周期

六个跨领域论文生产 campaign 提供了第二个纵向视角：

六个领域覆盖：评估可靠性、视觉-语言匹配、测试时适应、GUI Agent、多模态幻觉、模型量化。每个手稿陈述了限定范围的研究问题和任务原生结果，而非仅仅生成论文式散文。

代表性案例（多模态幻觉）：

• 7 个早期 no-go 决策在弱方法路线被放大为无支持的正面声称前将其剪枝；
• Planner 提议将声称从"正面缓解方法"重构为"诊断性负面结果审计"，Manager 批准该细化；
• Engineer 完成 15 单元格 × 3 基准的 4,500 行官方评分矩阵；
• 两个晚期提交回滚修复评分器来源和 GPU 遥测缺陷，未重置论文状态。

3.5 外部验证器下的垂直研究

ACE-2 芯片设计：

• Argus 指定、编写 RTL、构建验证环境、驱动映射综合和静态时序分析，无人类作者记录。
• 功能闭合：24 层 Qwen2.5-0.5B W4A8，13,914/13,914 命令通过。
• 物理闭合：SKY130HD，62,283 单元，0.614 mm²，+0.6966 ns 建立时间裕量，100 MHz 时钟通过。
• 关键设计：证书枚举了自己的排除项（无布线时序、无功耗签核、无 DRC/LVS 等）——排除项是门控的输出而非事后附加的免责声明。

材料生成（MOF）：

• 在无法访问的外部化学验证器下，Argus 发现已发表方法中的混淆变量（积分器切换与评分函数切换混杂）。
• 分离混淆后，发现更简单的方法（独立生成 K 条轨迹后选最优）在匹配计算预算下优于发表的 Feynman–Kac 引导方法。
• 运行时在此停止并记录限制（989 晶体子集非独立保留，完整排行榜未运行等），而非静默发布。

3.6 MLE-Bench Lite 进展

在进行的 MLE-Bench Lite campaign 中，Argus 已通过外部评分器获得 9 枚 Kaggle 奖牌（3 金、3 银、3 铜），每枚奖牌均由外部评分器对照官方 Kaggle 排行榜授予，而非内部审查。一个案例展示了验证门控的路线变更：透明导体竞赛中，外部评分器以 0.208 RMSLE 拒绝初始方法，campaign 替换为公开 SOTA 方法，评分器随后在 0.06402（低于 0.06582 铜牌阈值）认证替代方案。

四、学术洞见：Argus 揭示了哪些深层规律？

洞见一：过程数据 dominance——完整轨迹比最终产物更具决策价值

Argus 的形式化证明（Proposition 1）揭示了一个深层规律：类型化过程记录 $P$ 对任何下游决策问题 $q$ 的风险都不高于其最终产物投影 $Y=g(P)$。当两个不同的过程记录可产生相同最终产物但暗示不同最优下一步行动时，过程记录严格更优。

这意味着：

• 被否定的分支具有独立价值：一条被证伪的路径不仅是"未成功"，更是"此路不通"的证据，可防止后续任务重复探索。
• 审查判决是数据的一部分：Reviewer 的 continue、done、blocked 判决与工件本身同等重要，它们构成了状态更新的权威来源。
• 事件历史与检查点服务于不同目的：追加式事件带保留更丰富的实验信息；有界检查点是在有限上下文预算下的决策有用压缩。

洞见二：验证门控是使"转向"可区分于"漂移"的唯一机制

Argus 的核心立场是：应该允许转向，但必须通过验证使其安全。一个可接受的转向需要：

这与固定目标的执行优化形成鲜明对比。Argus 的 35 个 blocked 任务和 16 个 Stage rollbacks 证明：运行时拒绝完成的能力与完成能力同等重要——前者防止了目标向"执行者恰好能完成的任何事"退化。

洞见三：角色分离不是开销，而是错误纠正通道

Reviewer 的运作可被建模为选择性错误纠正通道：
$$\mathrm{Pr}(C=1\mid A=1)=\frac{\alpha p}{\alpha p+\beta (1-p)}$$

其中 $\alpha$ 是 Reviewer 灵敏度，$\beta$ 是误接受率。若 $\alpha >\beta$，接受的状态比提议流更精确。实证数据支持这一模型：43 次修订请求中 79.1% 后来通过验证器，51.2% 完成严格审查循环。Reviewer 不是终端评论层，而是将最初不可接受的工作重定向到另一实现轮次的错误纠正阶段。

洞见四：固定模型自进化是"能力复合"的可行路径

Argus 证明，模型参数不变时，运行时状态和控制策略的累积可产生可度量的效率提升和性能改进。SWE-Bench Pro 成熟阶段减少 21% Tokens 和 15% 时间；数学 campaign 中后续任务消耗早期定义、界限、被否定的路径和桥接引理；论文生产中 retained state 使假设修订和证据修复无需重置手稿。

这揭示了"复合智能"的操作性定义：接受的记忆、技能、验证器、路由规则或认证的死分支必须在未来任务分布上降低损失（$G_L(\Delta H_t)>0$）。这不是单调修辞，而是可证伪的反事实声明。

洞见五：外部验证器下的"简化"比"复杂化"更有科学价值

材料生成 campaign 的最重要结果不是 pass rate，而是：运行时发现已发表方法中的混淆变量，并在移除混淆后得出更简单的方法。ACE-2 的证书枚举排除项而非声称完整芯片。这两者共同说明：在严格外部验证器下，运行时的价值不在于生成更复杂的解决方案，而在于精确界定证据边界并敢于得出"更简单"的结论。

五、局限性与未来方向

论文坦诚讨论了以下局限：

未来方向包括：

• 对抗性契约细化测试：测试对抗性细化、不变量保持检查、分歧处理和有害契约修订的回滚。
• 验证器错误定位：分别植入实现错误、规格错误和两者不匹配，测量运行时定位错误侧而非仅仅满足当前验证器的能力。
• 运行时到模型的训练路径：将保留的目标、行动、测量、修订和状态转换转化为监督示例、偏好对和强化学习转换，内部化长程控制循环。
• 更细粒度的效率归因：对角色调用进行更细粒度的段标记，以锐化推理、行动和验证因子。
• 跨任务迁移的标准化：建立标准化的技能交换格式和技能相似性度量，使不同基准上学习的技能可共享和复用。

六、核心思想总结与可借鉴点

Argus 的核心思想可以用一句话概括：长程推理不是沿着固定路线尽可能跑得更远，而是在证据支持当前路线时坚持，在验证暴露失败时转向；通过持久化项目状态、四角色权威分离和验证门控更新，使固定模型在运行时层面实现自进化，同时保持可审计性和可恢复性。这个原则背后，是四层可迁移的方法论：

• 持久化状态优于对话记录：项目状态（记忆、技能、工具、验证器、路由）是长寿命对象，对话记录是消耗品。跨会话连续性必须建立在可重启的持久状态上。
• 验证门控优于自动保留：候选更新（包括失败路径）只有在经过证据检查和授权提交后才可重用。自动写入的记忆系统会累积噪声和债务。
• 角色分离优于自我认证：执行者不应同时是完成宣告者。独立 Reviewer 是选择性错误纠正通道，而非终端评论层。
• 契约细化优于目标漂移：将用户意图与操作目标分离，使后者可在证据支持下修订，同时前者保持稳定。修订必须显式、有证据、有记录。

对研究者的借鉴：

对工程师的借鉴：

Argus 通过将持久化项目状态、四角色权威分离、验证门控的契约修订和固定模型运行时自进化有机结合，在七个跨领域基准竞技场、731 个软件修复任务、一个数学证明 campaign、六个论文生产生命周期、一个芯片设计和一个材料生成 campaign 中系统性地证明了：以验证为机制使转向可区分于漂移、以角色分离为架构使审查成为错误纠正通道、以持久状态为锚点使经验可复合而非重复的运行时架构，能够支撑真正自主的长程推理和研究活动。该方法为构建可维护、可审计、可恢复、可复合的 Agent 运行时提供了从理论框架到工程实现的完整路径。