只要长期状态仍然依赖上下文，任何智能体在长程任务中都会系统性失稳，而文件化状态是一条可行出路。InfiAgent通过文件中心化状态管理，解决AI智能体长时程任务中的上下文膨胀与错误累积问题，使小模型也能稳定完成80篇文献综述等复杂任务。
一场颠覆AI智能体设计的革命
你让一个AI助手帮你写一篇关于“量子计算在生物医药中的应用”的综述。它开始搜索、读论文、做笔记、写摘要……每一步的操作记录、工具返回结果、中间结论，全都被塞进同一个“对话窗口”里。随着任务推进，这个窗口越来越长，很快逼近模型能处理的最大长度。
于是系统被迫“压缩记忆”——要么删掉早期内容，要么用一句话概括几十步操作。
问题来了：一旦关键信息被误删，或者摘要失真，后续所有推理都会建立在错误基础上，错误像雪球一样越滚越大。
更可怕的是，很多智能体其实根本没有真正“记住”任务状态，只是靠上下文里的文字“假装记得”，学术界称之为“状态幻觉”（illusion of state）。在这种幻觉下，智能体看似在思考，实则早已迷失方向。
在2026年初，来自香港理工大学和香港大学的一群研究者，用一篇名为《InfiAgent：面向通用自主智能体的无限时域框架》的论文，彻底撕开了这层遮羞布，并给出了一套让人拍案叫绝的解决方案。他们的核心思想简单到令人发指：别再让大模型自己记事了，给它配个“外挂硬盘”！
作者是谁？不是硅谷巨头，而是亚洲高校的实干派
这篇论文的作者团队由余成龙（Chenglin Yu）、王雨辰（Yuchen Wang）、王松淼（Songmiao Wang）、杨红霞（Hongxia Yang）以及通讯作者李明（Ming Li）组成，分别来自香港大学与香港理工大学。他们没有依托谷歌、OpenAI或Anthropic这些明星实验室，却在AI智能体最棘手的“长时程稳定性”问题上，做出了极具工程洞察力的突破。
尤其值得注意的是，他们并没有依赖千亿参数的闭源大模型，而是用一个仅200亿参数的开源模型，就干翻了多个商业巨头的 proprietary 系统。这种“以小博大”的能力，恰恰证明了架构设计比模型规模更重要——这正是当前AI界最被忽视的真理。
一切问题的起点：为什么智能体越跑越不像“在工作”
这篇论文讨论的并不是模型是否聪明，而是一个更容易被忽视的问题：智能体在长时间执行任务时，究竟是如何“知道自己在干什么”的。很多人直觉上会认为，只要模型看过历史对话、记得之前的操作，它自然就能持续推进任务。但论文用一整套长程实验反复证明，这种直觉是错的，而且错得非常根本。
当任务被拉长到需要反复阅读资料、不断生成中间结果、持续判断进度时，智能体会逐渐出现一种诡异的退化现象。它并不是马上失败，而是慢慢变得空洞、重复、敷衍，最后甚至会提前结束任务，仿佛自己已经完成了一切。这不是模型“偷懒”，而是系统已经失去了对自身状态的感知能力。
启发性原理一：上下文并不等于状态
论文揭示的第一个核心原理是，上下文从来都不是真正意义上的状态。上下文只是模型当前可见的一段文本，它没有持久性保证，也没有结构约束。只要上下文需要被压缩、裁剪或重写，某些关键信息就会在没有任何提示的情况下消失。
更致命的是，模型本身并不知道哪些信息消失了。对模型来说，上下文里“没有出现”，和“从来不存在”是同一回事。于是，系统会在不自知的情况下，继续基于残缺状态做决策，这也是长程任务中错误会不断累积、而且无法自我纠正的根本原因。
启发性原理二：长程失败不是能力问题，而是结构问题
一个非常重要的启发在于，这类失败与模型规模、参数数量、甚至推理能力关系都不大。论文对比了不同强度的模型，发现只要状态仍然被塞进上下文，哪怕模型再强，也会在长程执行中表现出高度不稳定。
这意味着，问题并不在“模型不够好”，而在于“系统设计让模型承担了它不该承担的职责”。让语言模型既负责推理，又负责长期记忆，本身就是一种结构性过载。长程任务只不过是把这个问题放大到无法忽视。
启发性原理三：真正可靠的状态，必须脱离生成概率
论文反复强调，长期状态如果仍然依赖概率生成系统，就永远不可能稳定。只要状态存在于生成文本中，它就会受到噪声、干扰和压缩策略的影响。真正可靠的状态，必须以一种非生成、可验证、可检查的形式存在。
这正是文件化状态设计的核心动机。文件是否存在、内容是否写入成功，是确定性的事实，而不是模型“记不记得”的问题。一旦状态脱离生成概率，长程执行的稳定性才有可能建立起来。
启发性原理四：智能体需要“世界”，而不是“记忆”
从更高层看，这篇论文实际上在提出一个近似哲学的问题：智能体是否拥有一个独立于自身思考之外的“世界”。传统智能体几乎把全部世界都压缩进了提示词里，结果就是世界会随着上下文一起消失。
文件化状态的意义在于，它为智能体提供了一个外部世界。
智能体不再通过回忆来判断现实，而是通过查看外部状态来确认进度。这种转变，使得智能体第一次具备了类似“行动留下痕迹”的能力，而不是每一步都像在重新开始。
InfiAgent的角色：不是魔法，而是边界划分
在这套原理之上，InfiAgent只是一个相对克制的实现。它并没有试图让模型更聪明，而是明确划清边界：模型负责短期推理和决策，长期状态全部交给外部系统保存。模型每一步只读取当前状态快照和有限的近期行为，而不是背负完整历史。
这种设计看似保守，却极大降低了认知负担，也让系统行为在长时间运行中保持一致性。InfiAgent的意义，不在于它多复杂，而在于它第一次系统性地承认：语言模型不适合承担长期记忆这一角色。
启发性原理五：长上下文不是解药，只是止痛片
论文中特别指出，单纯扩大上下文长度，并不能解决根本问题。更长的上下文，只是让失败来得更晚一些。当状态依然混在上下文里时，它依然会被噪声淹没、被压缩策略牺牲。
真正的转折点，不是上下文有多长，而是状态是否被明确外置。一旦状态被当作一等公民独立存在，长程执行才不再依赖模型的“记性”，而是依赖系统的结构。
结语：真正的启发不在任务，而在原理
这篇论文最重要的启发：只要长期状态仍然寄生在上下文里，智能体就无法真正具备长期自主能力。
InfiAgent只是一个起点，但它背后的原理已经非常清晰。未来真正可靠的智能体，不是记得更多，而是永远知道自己现在站在哪里，站在哪个上下文里！。