ИССЛЕДОВАНИЕ · RESEARCH · #1883
Метод Microsoft Research «Fork-and-Flush» уменьшает «идеальные бассейны» и улучшает работу долгосрочных агентoв ИИ
Microsoft Research обнаружила, что накопление истории чата может «запирать» автономных исследовательских агентов в субоптимальных «идеальных бассейнах» при длительных задачах. Подход Fork-and-Flush раздваивает агента на параллельные ветви, унаследующие рабочие файлы, но очищающие историю диалога; при тестах на 13 задачах (с GPT-5.6-terra и GPT-5.5 через GitHub Copilot CLI) средний нормализованный показатель вырос до 0,78 против 0,47 для одиночных прогонов и стал более стабильным.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Microsoft Research обнаружила, что накопление истории чата может «запирать» автономных исследовательских агентов в субоптимальных «идеальных бассейнах» при длительных задачах.
- Подход Fork-and-Flush раздваивает агента на параллельные ветви, унаследующие рабочие файлы, но очищающие историю диалога; при тестах на 13 задачах (с GPT-5.6-terra и GPT-5.5 через GitHub Copilot CLI) средний нормализованный показатель вырос до 0,78 против 0,47 для одиночных прогонов и стал более стабильным.
- Это показывает простую, не зависящую от модели технику (разветвление и сброс контекста), которая существенно улучшает исследование пространства решений и стабильность долгосрочных автономных агентов, и влияет на то, как такие системы должны управлять контекстом.
ПОЧЕМУ ЭТО ВАЖНО
Это показывает простую, не зависящую от модели технику (разветвление и сброс контекста), которая существенно улучшает исследование пространства решений и стабильность долгосрочных автономных агентов, и влияет на то, как такие системы должны управлять контекстом.