От «умения выполнять» к «умению управлять»: чего не хватает долгосрочным агентам?
В условиях быстрого развития агентов, Harness уже позволил большим моделям взаимодействовать с реальным миром, использовать инструменты, изменять код и запускать эксперименты. Но когда задачи растягиваются от нескольких минут до нескольких дней, системе всё ещё требуется человек, который бы долго сидел перед экраном, решая, куда двигаться дальше.
Ключевая причина этого ограничения — не только недостаточные возможности моделей, но и то, что большинство существующих агентов автоматизируют «выполнение», но не автоматизируют по-настоящему «управление», стоящее над выполнением. Harness даёт моделям способность действовать, человек же даёт им способность принимать решения. Как только человек уходит, проект останавливается. Более того, при отсутствии интенсивной обратной связи в виде вознаграждения, выполнение и реакция агента также становятся вялыми и неуклюжими.
Чтобы решить эту проблему, Microsoft, Шанхайский университет Цзяотун и другие учреждения открыли исходный код Argus — универсальной среды выполнения для рассуждений агента, ориентированной на долгосрочные исследовательские задачи, и опубликовали технический отчёт. Система, благодаря таким принципам проектирования, как управление доказательствами, самоэволюция, многoагентное сотрудничество, разделение ядра и предметной области, позволяет агенту расширяться на множество областей и непрерывно вести исследования в течение нескольких дней даже при отсутствии интенсивной стандартной обратной связи.
Отчёт охватывает 27 кампаний, 1548 часов реального времени. В среднем за 40,7 часов происходил один активный запрос на вмешательство человека; коэффициент полезного времени работы системы составил от 95,1% до 98,7%. Argus демонстрирует не просто высокие оценки на бенчмарках, а полный комплект производственных результатов. Команда представила результаты в широком спектре задач: AI4AI, GPU Kernel, обучение моделей, AI4Science, проектирование чипов, AI4Math, AI4System, что демонстрирует универсальность Argus и его интеллект на уровне реальных исследований.
Рис. 1: Общий обзор среды выполнения Argus, базовых возможностей и результатов.
- Название статьи: Argus: Who Drives the Harness for Days?
- Статья: https://arxiv.org/abs/2608.05144
- Код: https://github.com/lbx154/Argus
- Домашняя страница проекта: https://argusbot.cn/
- Репозиторий с результатами проекта: https://github.com/Argus-AiTeam
- Прямая трансляция решения математических задач: https://open.argusbot.cn/#counterexample-live
01
От Goal-Driven к Evidence-Driven:
Кто решает, куда агенту двигаться дальше?
За последние два года основные успехи в разработке агентов были сосредоточены на Harness: используя аналогию с автопилотом FSD, модель подобна двигателю, Harness — трансмиссии, но по-прежнему человек перед экраном решает, куда едет машина. В коротких задачах, как при обычной автоматической парковке, сама задача может давать чёткую обратную связь; как только задача растягивается на несколько дней, исследовательские проблемы часто не имеют ни стабильного вознаграждения, ни чётко определённых изначально целей. Существующие агенты обнажают настоящую проблему: они уже умеют выполнять, но ещё не умеют принимать устойчивые решения в условиях неопределённости.
Рис. 2: Argus, реализуя автономные исследования (auto-research), превращает роль человека из непрерывно ведущего водителя в пассажира на переднем сиденье.
Argus называет позицию над Harness, которая ранее не была автоматизирована, — Driver. Его задача — продолжать управлять, даже когда план сталкивается с реальностью, основываясь на доказательствах. Цель, записанная в начале исследования, — лишь первоначальная гипотеза на этапе с минимальной информацией; если агент может только Goal-Driven'но гнаться за заранее заданной конечной точкой, или даже постоянно тратить токены на невозможную цель, это приведёт к окостенению цели. Evidence-Driven же переворачивает логику управления: следующий шаг определяется уже имеющимися доказательствами, а не первоначальным предположением плана. Любой результат в процессе работы — это эффективное доказательство, которое может изменить курс; система именно им и управляется. Конкретно, Driver должен постоянно отвечать на следующие четыре вопроса, основываясь на текущих доказательствах:
1. Эта работа уже завершена и достаточно ли она качественна?
2. Учитывая текущие доказательства, что стоит делать дальше в первую очередь?
3. Как полученный в этом раунде опыт должен изменить поведение системы в будущем?
4. Связаны ли оставшиеся проблемы с решениями, которые может принять только человек?
02
Создание универсальной настраиваемой среды выполнения для долгосрочных задач
Argus организует долгосрочные проекты в постоянные Campaign, которые затем разбиваются на ряд чётко ограниченных Mission. Его базовый цикл: Manager → Planner → Engineer ⇄ Reviewer → Manager:
Ссылаясь на режим /goal от OpenAI Codex, можно чётче определить направление проектирования Argus. /goal превращает однократный цикл одного агента в постоянный цикл с целевым состоянием; Argus же организует исследовательские проекты как многоролевую, многоуровневую, долгосрочную среду выполнения, способную накапливать знания. Первый отвечает на вопрос «как заставить агента не останавливаться», второй — «как агенту эффективно работать, когда он не останавливается». Именно это структурное различие на уровне среды выполнения соответствует переходу от Goal-Driven к Evidence-Driven.
1. Manager управляет переходами между этапами, утверждением процессов, глобальной стратегией;
2. Planner планирует конкретные задачи на основе текущих доказательств;
3. Engineer работает с реальными репозиториями кода, экспериментами, выполняет задачи;
4. Reviewer независимо проверяет артефакты, оценивает новизну и эффективность, отчитывается перед Manager или отправляет обратно Engineer.
Здесь важна не многоролевая модель сама по себе, а разделение контекста — несколько ролей работают вместе, чтобы избежать превращения агента в простой локальный оптимизатор, каждая роль имеет свой уникальный контекст, но общую рабочую область, что не позволяет поручить планирование, выполнение и проверку одному агенту, повышая эффективность использования токенов. Именно поэтому в одной задаче Argus можно одновременно использовать разные harness, такие как Pi, Codex, Claude Code, DeepSeek Harness, что обеспечивает высокую степень настройки.
Система сохраняет полный комплект артефактов; только опыт, прошедший порог доказательности, попадает в Wiki и Skill и становится доступным для повторного использования в последующих задачах в рамках Project, Vertical или Global.
При этом ядро (Core) и предметные области (Vertical) остаются разделёнными: Core отвечает за права ролей, представление доказательств и границы вмешательства человека, а Vertical определяется экспертами в предметной области (математика, GPU, материалы и т.д.) — что считается эффективным доказательством в задачах, а также за соответствующие человеческие навыки и знания; Vertical может существенно повысить качество результатов исследовательских задач, а также предоставляет интерфейс для совместной эволюции экспертов-людей и агентов, настройки рабочих процессов.
Рис. 3: Механизм долгосрочного выполнения Argus. Четыре типа ролей циклически взаимодействуют вокруг постоянного состояния, Campaign может продвигаться или откатываться между восемью исследовательскими этапами.
03
Что осталось после 1548 часов работы Argus?
То, что по-настоящему определяет состоятельность долгосрочного агента, — это превращается ли время в реальные исследовательские результаты. Менее чем через месяц после открытия исходного кода Argus уже внёс значительный вклад в исследования инфраструктуры, материалов, чипов, математики и AI-систем, одновременно мы являемся первой командой, опубликовавшей полные end-to-end логи процесса решения математических гипотез, открыв все сессии выполнения и т.д. Ниже приведена сводка результатов Argus после открытия исходного кода:
Рис. 4: Ключевые исследовательские результаты Argus, основные показатели и критерии приемки.
Как показано в таблице выше, Argus сначала в AI4System & Infra превратил непрерывную работу в реальные, принимаемые результаты, завершив первый шаг от автоматического выполнения к автономным исследованиям чёткими инженерными результатами; затем задачи расширились от AI-инфраструктуры до AI4Science, AI4Hardware, AI4Math, а критерии оценки соответственно сместились от «выполнена ли поставленная задача» к «способен ли исследовать нерешённые реальные исследовательские проблемы», что продвинуло автоматические исследования от автоматизированной поставки к автоматизированному исследованию; на этой основе Argus также в направлении AI4AI расширил единичные результаты до полного исследовательского процесса, непрерывно управляя продвижением задач с помощью доказательств, не требуя постоянного присутствия человека перед экраном, формируя таким образом прогрессивный путь от реальных результатов и междисциплинарного исследования до полностью автономного исследовательского процесса.
Рис. 5: Результаты Argus в полном процессе производства статей.
Все вышеперечисленные результаты были достигнуты за 1 месяц, и, соединив эти результаты вместе, Argus представляет собой цепочку создания ценности с постепенным углублением: объект автоматизации расширяется от однократного выполнения до управления исследованиями на основе доказательств, что значительно ускоряет исследовательский прогресс, и это самый прямой ответ на вопрос «кто будет управлять агентом, когда человек уйдёт от экрана».
Заключение
После того, как экран гаснет, проект не обнуляется
Долгосрочный интеллект — это превращение токенов в интеллект, а затем использование этого интеллекта для непрерывного продвижения исследовательского проекта, создания реальной ценности. Argus организует ранее разрозненные вызовы моделей в постоянно работающую исследовательскую систему, позволяя Evidence-Driven управлять направлением, а затем через самоэволюцию накапливать опыт в способности.
Argus демонстрирует не просто агента, работающего дольше, а новый способ организации исследований: Harness решает, как модель действует, Driver решает, как система продолжает двигаться вперёд, скорость исследований больше не ограничивается рабочим и личным временем человека. Это может означать, что приближается эпоха ускорения исследований. Экран может погаснуть, исследования продолжаются.
Об авторах
Argus разработан под руководством исследователей из Microsoft и Шанхайского университета Цзяотун при участии исследователей из нескольких университетов.
Эта статья из официального аккаунта WeChat «机器之心» (Сердце машины).
