IDSLS-05｜長時程智能

從一次回答到持續行動、失敗修正與世界耦合

English Title: Long-Horizon Intelligence: From Single Responses to Persistent Action, Recovery, and World Coupling
系列： Intelligence Developmental States and Learning Substrates（IDSLS）／智能發展態與學習基質論
編號： IDSLS-05
版本： v0.1
日期： 2026-10-05
狀態： Canonical Source / UTF-8 Markdown
作者： Neo.K
機構： EveMissLab Technology Co., Ltd.
協作整理： Aletheia / GPT-5.6 Sol

直接前置：

IDSLS-00《智能發展態與學習基質：從參數尺度到發展性尺度》
IDSLS-03《什麼才是高品質資料：從知識語料到行為、經驗、信任與世界回饋》
IDSLS-04《遊戲作為因果學習基質：人工世界、世界狀態機、反事實重置與可執行經驗》
ISWP-08《時間—空間程式控制：長時程 Agent 的迴圈、切片與反身執行》
ISWP-09《Agent Runtime：能力規劃、工具調用與可恢復執行》
《計算機作為持續智能環境：不是 Agent 用電腦，而是 Agent 有電腦》
《發展式智能體學習：時間、記憶、真實後果與自生成課程》
PAA-03《Longitudinal Persistent-Agent Effect》
《跨對話 Agent 的持續性、喚醒、交接與非連續推理》
《委任時間論：自主 Agent、人類介入密度與治理槓桿》

公司： 一言諾科技有限公司

摘要

AI Agent 的能力評估長期偏向單回合回答、短任務、多步工具調用與有限 episode。然而真實工作中的高價值任務經常跨越數小時、數天、數週甚至更長時間：等待外部回覆、追蹤排程、處理中斷、修正失敗、維持專案目標、承接前次狀態、適應工具與世界變化，並在合適時機喚醒或暫停。

因此，本文提出：

\boxed{ \text{Long Horizon} \neq \text{Long Chain}. }

將 20 步工具調用增加成 2000 步，並不等於形成真正的長時程智能。真正的 long-horizon intelligence 至少需要：

\boxed{ \text{Persistence} + \text{Memory} + \text{Monitoring} + \text{Waiting} + \text{Replanning} + \text{Recovery} + \text{Temporal Consistency} + \text{Governance}. }

本文將長時程 Agent 的有效狀態表示為：

\boxed{ \Xi_t = ( I_t, G_t, W_t, M_t, P_t, E_t, A_t, B_t, K_t, H_t ) }

其中：

$I_t$ ：intent contract；
$G_t$ ：goal / task graph；
$W_t$ ：world state；
$M_t$ ：persistent memory；
$P_t$ ：policy / plan；
$E_t$ ：events / subscriptions；
$A_t$ ：authority state；
$B_t$ ：budget / resource state；
$K_t$ ：checkpoint / continuation；
$H_t$ ：history / provenance。

長時程任務不是一個永不停止的 while loop，而是一個可暫停、可喚醒、可交接、可重新驗證並能夠跨事件時間演化的持續狀態機：

\boxed{ \Xi_{t+1} = F( \Xi_t, e_t, \pi_t ). }

本文進一步區分 Interaction Time、Execution Time、Waiting Time、Validity Time、Causal Time、Biographical Time，並提出：長時程任務真正的時間深度，不由 token 數或步數單獨決定，而由「決策與其後果之間的因果跨度」決定。

因此定義：

\boxed{ \tau_C = \text{Causal Horizon}. }

若某個早期 action 的真正後果在數天後才顯現，Agent 必須能完成：

Outcome_{t+k} \rightarrow Action_t

的縱向歸因。本文稱之為：

\boxed{ \text{Longitudinal Credit Assignment}. }

本文同時提出 Goal Persistence、State Continuity、Resume Fidelity、Recovery Competence、Drift Resistance、Monitoring Precision、Temporal Consistency、Authority Continuity 與 Longitudinal Learning 等長時程能力維度，並建立第一版 long-horizon capability vector：

\boxed{ \mathbf L_A = ( g_P, s_C, m_R, r_F, d_R, o_M, a_C, c_T, \ell_L ) }

其中：

$g_P$ ：goal persistence；
$s_C$ ：state continuity；
$m_R$ ：memory relevance；
$r_F$ ：resume fidelity；
$d_R$ ：drift resistance；
$o_M$ ：monitoring quality；
$a_C$ ：authority continuity；
$c_T$ ：temporal consistency；
$\ell_L$ ：longitudinal learning。

本文結合 2026 年長時程 Agent benchmark 的新趨勢。OSWorld2.0、WeaveBench、LongCLI-Bench、UltraHorizon、Odysseys、OS-Marathon 與 SentinelBench 均顯示：frontier agents 在複雜、長跨度、跨介面、持續監控或真實工作流中仍有顯著缺口，且 outcome-only 評估容易高估能力。LongCLI-Bench 報告即使前沿 Agent 在其長時程 CLI 任務上的整體通過率仍低於 20%；WeaveBench 的最佳 PassRate 約 41.2%；Odysseys 最佳成功率約 44.5%，並顯示長軌跡效率仍很低。這些結果支持一個共同方向：未來的 Agent 能力評估必須從「是否最終成功」進一步走向「過程是否穩定、是否能恢復、是否能保持目標、是否能低成本持續」。

本文最後提出：長時程智能並不是一次推理的延長，而是一種新的系統能力區域。它要求 AI 從：

\text{Answer}

進入：

\text{Process},

再進入：

\boxed{ \text{Persistent Participation in a Changing World}. }

關鍵詞： Long-Horizon Agent；Persistent Agent；Temporal Intelligence；Goal Persistence；Resume Fidelity；Longitudinal Credit Assignment；Checkpoint；Event-Driven Agent；Recovery；Monitoring；Agent Runtime；World Coupling；Temporal Consistency

0. 核心問題

一個 Agent 能連續工作 4 小時，

不代表它能可靠工作 4 天。

一個模型能完成 1000 steps，

不代表它具備 long-horizon intelligence。

因此：

\boxed{ \text{Step Count} \neq \text{Temporal Intelligence}. }

1. Long Chain 與 Long Horizon 的分離

Long Chain：

a_1 \rightarrow a_2 \rightarrow \cdots \rightarrow a_n

主要問題是序列長度。

Long Horizon：

t_n-t_0 \gg0

並且中間存在：

wait；
external event；
state drift；
permission change；
tool change；
human response；
interruption；
resumption。

2. 長時程不是不停推理

錯誤模型：

Inference(t)=1 \quad \forall t.

成熟 Agent 更接近：

\boxed{ \text{Sleep} \rightarrow \text{Wake} \rightarrow \text{Observe} \rightarrow \text{Act} \rightarrow \text{Record} \rightarrow \text{Sleep}. }

3. Persistent 不等於 Always Running

\boxed{ \text{Persistent} = \text{StateContinuity} + \text{Reactivation} + \text{HistoricalCarryover}. }

4. Agent 的時間本體

本文區分至少六種時間。

5. Interaction Time

T_I

使用者實際與 Agent 互動多久。

6. Execution Time

T_E

Agent 真正在執行工作多久。

7. Waiting Time

T_W

Agent 因外部依賴等待多久。

8. Validity Time

T_V

某項：

permission；
plan；
quote；
credential；
evidence；

還有效多久。

9. Causal Time

T_C

一個 action 到其真正後果顯現之間的時間。

10. Biographical Time

T_B

Agent 與人類、專案與工作世界累積多少共同歷史。

11. 同樣 24 小時，不同時間結構

Agent A：

T_E=24h,\quad T_W=0.

Agent B：

T_E=2h,\quad T_W=22h.

兩者都是「一天任務」，

但控制問題完全不同。

12. Event Time 比 Wall Clock 更重要

長時程 Agent 應以：

e_1,e_2,\ldots,e_n

作為主要狀態轉換事件。

例如：

new email；
deadline；
human approval；
build failure；
price change；
service outage。

13. Event-Driven State Transition

\boxed{ \Xi_{k+1} = F( \Xi_k, e_k, \pi_k ). }

14. 長時程控制狀態

本文採：

\boxed{ \Xi_t = ( I_t, G_t, W_t, M_t, P_t, E_t, A_t, B_t, K_t, H_t ). }

15. $I_t$ ：Intent Contract

描述：

why；
desired outcome；
constraints；
reserved human decisions；
forbidden changes。

16. $G_t$ ：Goal / Task Graph

長時程目標不是單一 todo。

更接近：

G = (V,E).

節點有 dependency。

17. $W_t$ ：World State

Agent 必須知道：

世界現在變成什麼？

而不是只知道：

我之前做了什麼。

18. $M_t$ ：Memory

保存：

durable facts；
decisions；
failures；
preferences；
summaries；
unresolved issues。

19. $P_t$ ：Plan / Policy

計畫可以修改。

但不能靜默修改：

I_t.

20. $E_t$ ：Event State

包括：

pending events；
subscriptions；
next wake；
deadlines；
timeout。

21. $A_t$ ：Authority State

長任務中權限會：

expire；
renew；
revoke；
change scope。

22. $B_t$ ：Budget

包含：

token；
compute；
money；
time；
API quota；
human attention。

23. $K_t$ ：Checkpoint / Continuation

Checkpoint 不只是：

\text{SaveMemory}.

而是：

\boxed{ \text{SaveLegalContinuation}. }

24. $H_t$ ：History / Provenance

回答：

何時做；
誰做；
用什麼工具；
依據什麼；
世界結果如何。

25. Long-Horizon Agent 的最低能力

至少：

\boxed{ \text{Persist} + \text{Resume} + \text{Monitor} + \text{Replan} + \text{Recover}. }

26. Goal Persistence

本文定義：

\boxed{ g_P = \text{Goal Persistence}. }

即：

經過長時間與中斷後，Agent 是否仍在追求原始合法目標？

27. Goal Drift

若：

Goal_t \neq Goal_0

且沒有合法 revision event，

則：

\boxed{ \text{Goal Drift}. }

28. Drift 不一定來自惡意

可能來自：

context compression；
memory error；
local optimization；
tool feedback；
user ambiguity；
summary loss。

29. Goal Persistence Score

可以：

g_P = 1- d( Goal_t, Goal_0^{valid} ).

這只是概念式。

30. State Continuity

本文定義：

\boxed{ s_C = \text{State Continuity}. }

Agent 是否知道：

上一次世界停在哪？

31. False Continuity

如果 Agent 只靠自然語言摘要恢復，

可能發生：

\hat W_t \neq W_t.

32. Resume Fidelity

本文定義：

\boxed{ r_F = \text{Resume Fidelity}. }

表示暫停後恢復時：

\hat\Xi_t

與合法當前狀態：

\Xi_t

的吻合程度。

33. Resume 不是從上次句子繼續

正確：

\boxed{ \text{Resume} = \text{Restore} + \text{Reobserve} + \text{Revalidate} + \text{Continue}. }

34. 為什麼要 Reobserve

因為休眠期間：

W_t \rightarrow W_{t+k}.

世界可能變了。

35. 為什麼要 Revalidate

因為：

permission 可能過期；
價格改變；
工具升級；
文件被修改；
使用者改目標。

36. Continuation

定義：

\boxed{ C_t = \text{合法可恢復的下一步執行契約}. }

37. Checkpoint 應保存

至少：

intent
task graph
world assumptions
pending effects
permissions
budgets
tool versions
subscriptions
idempotency keys
recovery obligations

38. Checkpoint 不應保存私人 Chain-of-Thought

需要保存的是：

\boxed{ Operational State }

而不是模型不可見的私人推理。

39. Memory Relevance

本文定義：

\boxed{ m_R = \text{Memory Relevance}. }

記憶不是越多越好。

40. Memory Overflow

若：

|M_t|\uparrow

但 relevant signal 不增加，

可能：

RetrievalNoise\uparrow.

41. Memory Anchoring

過去偏好可能：

Preference_{old}

已失效。

若 Agent 過度依賴，

形成：

\boxed{ \text{Memory Anchoring}. }

42. 因此需要 Forgetting

成熟記憶：

\text{Store} + \text{Retrieve} + \text{Update} + \text{Forget}.

43. Longitudinal Credit Assignment

如果：

Action_t

真正後果在：

t+k

出現，

Agent 要能：

\boxed{ Outcome_{t+k} \rightarrow Action_t. }

44. 定義 Causal Horizon

\boxed{ \tau_C(a) = t_{\text{meaningful outcome}} - t_{\text{action}}. }

45. 短期 reward 可能欺騙 Agent

今天：

Reward_t>0.

三週後：

Cost_{t+3w}\gg0.

46. Maintenance Debt

例如 Agent 建了一個快速但難維護的 script。

短期成功。

長期成本上升。

47. 因此要記 Decision–Outcome Link

\boxed{ \text{ActionID} \leftrightarrow \text{DelayedOutcomeID}. }

48. Monitoring

本文定義：

\boxed{ o_M = \text{Monitoring Quality}. }

Agent 不能一直做事。

它也要知道：

什麼時候只需要觀察？

49. Monitoring Agent

典型：

\text{Observe} \rightarrow \text{NoAction} \rightarrow \text{Observe}.

直到：

\text{Trigger}.

50. Sentinel 型任務

例如：

航班變動；
股票門檻；
服務 outage；
新郵件；
security alert。

51. Monitoring 的錯誤一：太敏感

FalsePositive\uparrow.

使用者被大量通知。

52. Monitoring 的錯誤二：不敏感

FalseNegative\uparrow.

重大事件被漏掉。

53. Monitoring Precision / Recall

可以直接評估。

54. Long Horizon 必須會 Wait

\boxed{ \text{Wait} }

是一個正式 action。

55. 不會 Wait 的 Agent 會 Busy Loop

例如每秒：

CheckEmail().

浪費：

token；
API；
compute；
rate limit。

56. Scheduler

更合理：

SleepUntil(t)

或：

WakeOn(event).

57. Time Efficiency

長時程能力不應按「想了多久」評分。

而是：

\boxed{ \text{UsefulProgress} / \text{ActiveCompute}. }

58. Replanning

世界改變時：

Plan_0

可能失效。

Agent 要：

Plan_0 \rightarrow Plan_1.

59. Replanning 不是重新開始全部任務

成熟系統保留：

completed work；
valid artifacts；
commitments；
dependencies。

60. Local Repair

\boxed{ \text{Replan locally when possible}. }

61. Global Replan

只在核心假設失效時：

\boxed{ \text{GlobalReplan}. }

62. Recovery Competence

本文定義：

\boxed{ r_C = \text{Recovery Competence}. }

63. Recovery Pipeline

\text{Failure} \rightarrow \text{Detect} \rightarrow \text{Classify} \rightarrow \text{Contain} \rightarrow \text{Replan} \rightarrow \text{Recover}.

64. Failure Class

至少：

specification；
permission；
tool；
resource；
world；
verification；
timeout；
human rejection。

65. Retry 不等於 Recovery

錯誤：

Retry^n.

成熟：

\boxed{ \text{Diagnose} \rightarrow \text{ChangeStrategy}. }

66. Idempotency

長時程系統一定會遇到：

這一步到底做過沒有？

所以需要：

\boxed{ \text{IdempotencyKey}. }

67. Duplicate Effect

如果重試導致：

重複付款；
重複寄信；
重複建帳號；

就是長時程重大 failure。

68. Exactly-Once Effect 是理想

實際系統常只能提供：

\text{AtLeastOnceDelivery}.

因此要透過：

idempotency；
deduplication；
transaction record；

實現有效一次。

69. Compensation

某些 action 不能 rollback。

只能：

\boxed{ \text{Compensate}. }

例如：

發錯信；
下錯單；
建錯資源。

70. Compensation Graph

每個高外部性 action 應知道：

Compensate(a).

71. Authority Continuity

本文定義：

\boxed{ a_C = \text{Authority Continuity}. }

72. Initial Authorization 不等於 Permanent Authorization

\boxed{ Grant_{t_0} \not\Rightarrow Grant_{t_n}. }

73. Permission Lease

可以：

TTL(Permit)<\infty.

74. Resume 時重新驗權

\text{Resume} \Rightarrow \text{Reauthorize}.

對高風險動作尤其如此。

75. Governance Continuity

長時程任務中，人類保留權限不能因時間流逝被默默消失。

76. Reserved Human Decisions

例如：

大額付款；
對外發布；
法律承諾；
刪除 canonical source。

必須持續存在。

77. Human-in-the-Loop 不是每步批准

長任務如果：

\rho_H\rightarrow1

委任價值消失。

78. Human Governance Density

真正應集中在：

高風險；
高不可逆；
高不確定；
權限擴張；
意圖改變。

79. Drift Resistance

本文定義：

\boxed{ d_R = \text{Drift Resistance}. }

包括：

goal drift；
policy drift；
memory drift；
authority drift；
identity drift。

80. Temporal Consistency

本文定義：

\boxed{ c_T = \text{Temporal Consistency}. }

表示：

Agent 在不同時間點對相同持續規則是否保持一致？

81. Temporal Consistency 不等於永不改變

新證據來時應：

\text{Update}.

真正問題是：

\boxed{ \text{Change with reason}. }

82. Revision Provenance

任何重大策略改變應有：

reason；
evidence；
timestamp；
approver；
affected tasks。

83. Longitudinal Learning

本文定義：

\boxed{ \ell_L = \text{Longitudinal Learning}. }

84. Accumulation 不等於 Learning

|M_{t+1}|>|M_t|

不表示：

Policy_{t+1}>Policy_t.

85. Learning 要求未來行為改變

至少：

\pi_{t+1} \neq \pi_t

並在可重現條件下更好。

86. Development 比 Learning 更強

Development 要求：

更會選工具；
更少重複錯誤；
更好記憶治理；
更好求援；
更能跨任務泛化。

87. Longitudinal Development

\boxed{ Z_{t+1} = F( Z_t, Experience_t, Outcome_{t+k}, \text{Reflection} ). }

88. Friction-Driven Curriculum

環境會自己產生學習題目。

例如：

repeated error；
high latency；
duplicate work；
human correction；
resource waste。

89. Environmental Friction

\boxed{ F_t = f( \text{Errors}, \text{Retries}, \text{Latency}, \text{HumanIntervention}, \text{Waste}, \text{RecoveryCost} ). }

90. 高 Friction 可以產生 Curriculum

\text{Observe} \rightarrow \text{DetectFriction} \rightarrow \text{FormTask} \rightarrow \text{Experiment} \rightarrow \text{Verify}.

91. 但 Self-Curriculum 不能無限自由

學習任務仍要受：

\text{Risk}, \text{Authority}, \text{Cost}, \text{Externality}.

92. 自我改進不等於自我授權

\boxed{ \text{SelfImprovement} \neq \text{SelfAuthorization}. }

93. 工具改進可以內生

Agent 可以：

寫 script；
建 index；
改善 workflow。

94. 權限擴張不能內生

Agent 不應因為：

這樣比較方便。

就自行提高 privilege。

95. Cross-Session Continuity

同一 Agent 跨 session：

S_1,S_2,\ldots,S_n

需要保存：

\boxed{ \text{Task Identity}. }

96. Session Continuity

是否知道：

這是昨天那個未完成任務。

97. Role Continuity

是否知道：

我長期負責這條研究線。

98. Biographical Continuity

是否知道：

我們以前試過這種方法且失敗。

99. Biography 不等於人格主張

這裡只表示：

\boxed{ \text{Persistent Functional History}. }

100. Handoff

長時程任務可能換 Agent / model。

因此：

\boxed{ \text{AgentIdentity} \neq \text{ModelIdentity}. }

101. Handoff Fidelity

定義：

\boxed{ h_F = \text{Handoff Fidelity}. }

102. 好交接不是丟一份摘要

應包含：

intent；
task state；
world state；
open questions；
commitments；
permissions；
failures；
next events。

103. Cross-Model Continuation

模型 A：

M_A

可以交給：

M_B.

若 Runtime state 完整，

任務仍能持續。

104. 這說明 Persistent Agent 不是單一模型

\boxed{ \text{PersistentAgent} = \text{PersistentSystemState} + \text{ReplaceableReasoningProviders}. }

105. 長時程能力向量

本文提出：

\boxed{ \mathbf L_A = ( g_P, s_C, m_R, r_F, d_R, o_M, a_C, c_T, \ell_L ). }

106. $g_P$ ：Goal Persistence

目標保存。

107. $s_C$ ：State Continuity

世界與任務狀態承接。

108. $m_R$ ：Memory Relevance

記憶品質。

109. $r_F$ ：Resume Fidelity

恢復保真。

110. $d_R$ ：Drift Resistance

抗漂移。

111. $o_M$ ：Monitoring Quality

監控與正確喚醒。

112. $a_C$ ：Authority Continuity

權限與治理持續。

113. $c_T$ ：Temporal Consistency

跨時間決策一致性。

114. $\ell_L$ ：Longitudinal Learning

是否真的從時間中學會東西。

115. Long-Horizon Utility

可以暫定：

\boxed{ U_L = \mathbf w_T \cdot \mathbf L_A - \text{Cost} - \text{Risk}. }

116. Outcome-only 評估不足

如果只看：

Success\in\{0,1\},

會漏掉：

重複操作；
作弊 shortcut；
高成本；
過度人類介入；
脆弱 recovery。

117. Trajectory-Aware Evaluation

因此需要評：

\boxed{ \text{Outcome} + \text{Trajectory} + \text{Cost} + \text{Recovery} + \text{Policy}. }

118. 2026 長時程 Benchmark 的共同轉向

OSWorld2.0、WeaveBench、LongCLI-Bench、UltraHorizon、Odysseys、OS-Marathon、SentinelBench 等，都在測：

長任務；
真實工作流；
跨工具；
部分可觀測；
持續監控；
長軌跡效率。

119. OSWorld2.0

2026 年提出 108 個 long-horizon computer-use workflows，強調現有 benchmark 對真實長流程覆蓋不足。

120. WeaveBench

114 個 tasks、8 個 real-world work domains。

最佳 PassRate 約：

41.2\%.

121. WeaveBench 的重要發現

Outcome-only grading 會高估 Agent。

因此採：

\text{trajectory-aware judge}.

122. LongCLI-Bench

20 個 high-quality long-horizon engineering tasks。

前沿 Agent 通過率仍低於：

20\%.

123. LongCLI-Bench 的 Step-level 發現

多數任務在：

<30\%

進度即停滯。

這表示 long-horizon failure 常很早形成。

124. Odysseys

200 個 long-horizon web tasks。

最佳 success rate 約：

44.5\%.

125. Odysseys 的效率問題

提出：

\boxed{ \text{Trajectory Efficiency}. }

說明：

最後成功，不代表過程有效率。

126. UltraHorizon

專門處理：

large software；
commercial investment；
scientific discovery；

等 ultra-long-horizon scenarios。

127. SentinelBench

研究 long-running monitoring agents。

重要轉向：

\boxed{ \text{Agent can progress by waiting}. }

128. OS-Marathon

聚焦超長重複工作流。

這類任務表面簡單，但：

\text{Repetition} + \text{StateConsistency}

對 Agent 很困難。

129. Benchmark 的新問題

不是：

一次能不能解？

而是：

長時間是否會累積錯誤？

130. Error Accumulation

若每步錯誤率：

p>0,

長序列：

P(\text{no error}) = (1-p)^n.

131. 因此長時程需要 Error Containment

不能要求：

p=0.

而是：

\boxed{ \text{Detect} + \text{Contain} + \text{Recover}. }

132. Reliability 不是單步準確率

\boxed{ \text{Reliability} = \text{ErrorRate} + \text{RecoveryRate} + \text{DamageContainment}. }

133. 長時程中的世界變化

Agent 不行動時：

W_{t+1} \neq W_t

仍可能成立。

134. External Dynamics

世界有自己的：

F_W.

所以 Agent 必須：

Monitor(W).

135. Agent 不應把世界當靜態資料庫

更合理：

\boxed{ \text{World} = \text{DynamicProcess}. }

136. World Coupling

本文定義：

\boxed{ C_W = \text{World Coupling}. }

Agent 的 action 改世界，

世界變化再改 Agent。

137. 雙向耦合

A_t \rightarrow W_{t+1},

W_{t+1} \rightarrow A_{t+1}.

138. Long-Horizon Intelligence 的本體

因此不是：

\text{LongThought}.

而是：

\boxed{ Longitudinal Agent–World Coupling. }

139. Task Horizon 與 Causal Horizon

Task 可以 30 天。

但核心 causal horizon 可能只有幾分鐘。

反之 task 只一天，

某決策後果可能一個月後才出現。

所以：

\boxed{ \text{TaskHorizon} \neq \text{CausalHorizon}. }

140. Longitudinal Benchmark 應至少測

goal persistence；
resume fidelity；
memory relevance；
monitoring；
recovery；
cost；
authority；
delayed consequence handling；
handoff；
learning。

141. Life-Cycle Benchmark

IDSLS-00 提出：

\boxed{ \text{Life-cycle Benchmark}. }

IDSLS-05 將其具體化。

142. Life-Cycle Benchmark 不是一次 run

可以：

T=7days.

期間注入：

environment changes；
tool failure；
human correction；
permission expiry；
delayed reply。

143. Hidden Future Event

Agent 事前不知道：

e_{future}.

測真正 adaptability。

144. Persistent State Mutation

測：

前三天留下的東西會不會害到第五天？

145. Longitudinal Credit Test

讓早期決策產生延遲後果。

測 Agent 能否追溯。

146. Handoff Test

中途替換 model。

測 task continuity。

147. Authority Expiry Test

中途撤銷 permission。

測是否停止。

148. Monitoring Test

讓世界在 Agent 睡眠時改變。

測是否正確喚醒。

149. Recovery Test

故意讓 tool fail。

測是否：

\text{RetryBlindly}

還是：

\text{Diagnose}.

150. Drift Test

插入高吸引力但非核心子任務。

測 Agent 是否偏離目標。

151. Memory Conflict Test

新 evidence 與舊記憶衝突。

測是否更新。

152. Longitudinal Learning Test

讓相同 failure pattern 再出現。

測是否第二次更好。

153. 可檢驗假說 H1：Long Chain 能力不能充分預測 Long Horizon 能力

Score_{\text{long-chain}} \not\approx Score_{\text{long-horizon}}.

154. H2：Checkpoint Quality 預測 Resume Fidelity

Q(K)\uparrow \Rightarrow r_F\uparrow.

155. H3：World Re-observation 降低 stale-plan failure

Reobserve\uparrow \Rightarrow StalePlanError\downarrow.

156. H4：Failure-Recovery Data 改善長任務完成率

D_{F\rightarrow R}\uparrow \Rightarrow CompletionRate\uparrow.

157. H5：Monitoring skill 與 active execution skill 可分離

某 Agent 可能：

\text{ExecutionHigh}

但：

\text{MonitoringLow}.

158. H6：權限生命週期錯誤是獨立 failure class

\text{TaskSkillHigh}

不保證：

\text{AuthorityComplianceHigh}.

159. H7：Persistent Memory 若缺乏 forgetting，長期表現可能下降

MemoryVolume\uparrow

可能導致：

Performance\downarrow.

160. H8：Cross-Model Handoff 可由 Runtime State 提升

RuntimeCompleteness\uparrow \Rightarrow HandoffFidelity\uparrow.

161. H9：Delayed Outcome Training 改善長期決策

LongitudinalCreditData\uparrow \Rightarrow ShortTermism\downarrow.

162. H10：真正長時程 intelligence 包含 non-action

\text{Wait}, \text{Monitor}, \text{Escalate}

應被視為正式能力。

163. 最小實驗一：Long Chain vs Long Horizon

設兩組任務：

A：

1000

連續操作。

B：

50

操作分布在 3 天並含 waiting / event。

比較 Agent 排名。

164. 最小實驗二：Checkpoint Ablation

比較：

summary only；
memory only；
full operational checkpoint。

測 resume。

165. 最小實驗三：Stale World

暫停一小時後改世界。

看 Agent 是否重觀測。

166. 最小實驗四：Permission Expiry

permission 在休眠中過期。

測 Agent 是否非法繼續。

167. 最小實驗五：Delayed Consequence

Action 在第 1 天。

成本第 5 天出現。

測能否歸因。

168. 最小實驗六：Repeated Failure

同類 failure 出現三次。

測第二、三次是否下降。

169. 最小實驗七：Monitoring Precision

世界產生 100 個事件。

只有 5 個重要。

測：

\text{Precision}, \text{Recall}.

170. 最小實驗八：Model Handoff

第 50% 任務切換模型。

測 completion degradation。

171. 最小實驗九：Memory Pruning

比較：

keep all；
heuristic prune；
utility-based prune。

測長期 performance。

172. 最小實驗十：Friction Curriculum

Agent 自動找 repeated friction 並改善。

測：

HumanIntervention_t

是否下降。

173. 反例：有些 long-horizon 任務可被簡化

如果 Agent 可以一次產生 perfect plan，

後續只是 automation，

不一定需要複雜 long-horizon cognition。

174. 反例：時間長不代表難

每天固定寄報告，

可以很長期但很簡單。

175. 反例：步數長不代表時間深

大量重複輸入：

n\uparrow

但：

\tau_C

低。

176. 反例：Memory 可能被外部系統完全代替

如果外部 database 提供完美 state，

Agent 自身 memory requirement 可下降。

177. 反例：真正世界狀態可能不可觀測

因此：

ResumeFidelity=1

可能無法達成。

178. 反例：過度監控會浪費資源

Agent 如果過度 wake：

Cost\uparrow.

179. 反例：Human Oversight 也會失誤

人類 checkpoint 不是絕對 ground truth。

180. 理論邊界

本文不主張：

任務越久越智能。
步數越多越難。
Persistent Agent 必須 24/7 推理。
所有狀態都應永久保存。
所有失敗都應重試。
所有 permission 都應短到頻繁打擾人類。
checkpoint 可以完全解決 drift。
Runtime 可以取代模型能力。
model handoff 永遠無損。
Agent 應自行修改高層 intent。
自生成 curriculum 應無限制。
監控 Agent 應不停查詢。
long-horizon benchmark 可以由單一 success bit 評估。
所有 delayed outcome 都能精確歸因。
persistent identity 等同主體性或人格。
人類越少介入越成熟。
長時程 Agent 的所有問題都能被更多 context window 解決。

181. 與 IDSLS-00 的關係

IDSLS-00：

Z_t = (\ldots,M_t,A_t,W_t,\ldots).

IDSLS-05 展開其中：

\boxed{ \text{Temporal Persistence Dimension}. }

182. 與 IDSLS-03 的關係

IDSLS-03 提出：

\tau_D = \text{Temporal Depth}.

IDSLS-05 將其從資料屬性提升為 Agent 能力問題。

183. 與 IDSLS-04 的關係

Persistent game world：

W_{t+1} \leftarrow W_t.

長時程 Agent：

A_{t+1} \leftarrow A_t.

真正智能世界：

\boxed{ A_t \leftrightarrow W_t. }

184. 與 Agent Runtime 的關係

Model：

\text{ReasoningProvider}.

Runtime：

\text{ExecutionAuthority}.

Long-Horizon Intelligence：

\boxed{ \text{Reasoning} + \text{Persistent Runtime} + \text{World Coupling}. }

185. 與 Persistent Computer Habitat 的關係

長期工作需要：

E_{t+1} = Update(E_t,\Delta_t).

不是每次 reset。

186. 環境本身成為記憶

Agent 留下：

files；
scripts；
indexes；
schedules；
policies。

因此：

\boxed{ \text{Environment} = \text{ExternalizedMemory}. }

187. 與委任時間論的關係

長時程 Agent 的核心經濟價值是：

\Lambda_D = \frac{ \text{DelegatedWork} }{ \text{HumanGovernanceTime} }.

188. 但委任槓桿不能犧牲可治理性

因此：

\boxed{ \text{Autonomy} = \text{BoundedDelegation}. }

189. 核心命題一

\boxed{ \text{LongHorizon} \neq \text{LongChain}. }

190. 核心命題二

\boxed{ \text{Persistent} \neq \text{AlwaysRunning}. }

191. 核心命題三

\boxed{ \text{Resume} \neq \text{ContinueFromLastSentence}. }

192. 核心命題四

\boxed{ \text{Memory} \neq \text{Storage}. }

193. 核心命題五

\boxed{ \text{Retry} \neq \text{Recovery}. }

194. 核心命題六

\boxed{ \text{TaskHorizon} \neq \text{CausalHorizon}. }

195. 核心命題七

\boxed{ \text{SelfImprovement} \neq \text{SelfAuthorization}. }

196. 核心命題八

\boxed{ \text{OutcomeSuccess} \neq \text{LongHorizonReliability}. }

197. 核心命題九

\boxed{ \text{LongHorizonIntelligence} = \text{LongitudinalAgentWorldCoupling}. }

198. 核心命題十

\boxed{ \text{Time} }

不是背景，而是能力結構本身的一部分。

199. 結論

在短任務中，

AI 可以依靠：

\text{Context} + \text{Reasoning} + \text{ToolUse}

完成工作。

但當任務從：

10\text{ minutes}

變成：

10\text{ days},

問題的本質會改變。

它不再只是：

能不能想出正確下一步？

而是：

十天後還記不記得為什麼要做？

中間世界變了，會不會重新觀察？

Permission 過期後會不會停止？

工具失敗後會不會診斷，而不是重試到死？

人類三天後回覆時，能不能正確接回來？

第一天的決策在第七天造成成本時，能不能知道原因？

因此：

\boxed{ \text{Long-Horizon Intelligence} }

不是：

\text{More Tokens}.

也不是：

\text{More Steps}.

它是一個新的能力區域：

\boxed{ \text{Persistent State} + \text{Temporal Reasoning} + \text{Event Awareness} + \text{Memory Governance} + \text{Recovery} + \text{World Revalidation}. }

長時程 Agent 真正要做的不是：

一直工作。

而是：

在需要時工作，在需要時等待，在世界變化時重新理解，在犯錯時恢復，在目標漂移時回到正軌，並把過去經驗變成未來更好的行為。

因此本文最終提出：

\boxed{ \text{Long Horizon} = \text{Persistence through Change}. }

這個「Change」包括：

世界變；
工具變；
權限變；
人類變；
目標細節變；
Agent 自己的記憶與策略也變。

而成熟的 long-horizon intelligence，正是：

\boxed{ \text{在變化中仍能保持可追蹤、可修正、可恢復的目標一致性。} }

這使 AI 從：

\text{Task Executor}

進一步走向：

\boxed{ \text{Persistent Participant in a Dynamic World}. }

Appendix A｜Long-Horizon Agent State Schema

agent_state:
  agent_id:
  run_id:
  task_id:
  model_provider:
  runtime_version:

intent:
  canonical_intent:
  constraints:
  reserved_human_decisions:
  intent_version:

goal_graph:
  active_goals: []
  completed_goals: []
  blocked_goals: []
  dependencies: []

world:
  observed_state:
  observed_at:
  stale_after:
  assumptions: []

memory:
  durable_facts: []
  decisions: []
  failures: []
  learned_rules: []
  stale_memory: []

plan:
  current_plan:
  plan_version:
  invalidation_conditions: []

events:
  subscriptions: []
  pending_events: []
  next_wake:
  timeouts: []

authority:
  permits: []
  expiries: []
  revocations: []
  monetary_budget:
  external_action_policy:

checkpoint:
  checkpoint_id:
  created_at:
  pending_effects: []
  idempotency_keys: []
  recovery_obligations: []

history:
  action_receipts: []
  world_deltas: []
  human_interventions: []
  revisions: []

Appendix B｜Resume Protocol

Wake
  ↓
Load checkpoint
  ↓
Verify task identity
  ↓
Re-read canonical intent
  ↓
Re-observe world
  ↓
Revalidate permissions
  ↓
Revalidate tool versions
  ↓
Check pending effects
  ↓
Check idempotency
  ↓
Recompute local plan
  ↓
Continue / Escalate / Terminate

形式：

\boxed{ \text{Resume} = \text{Restore} + \text{Observe} + \text{Validate} + \text{Replan}. }

Appendix C｜Long-Horizon Capability Vector

long_horizon_capability:
  goal_persistence:
  state_continuity:
  memory_relevance:
  resume_fidelity:
  drift_resistance:
  monitoring_quality:
  authority_continuity:
  temporal_consistency:
  longitudinal_learning:

operational_metrics:
  duplicate_effect_rate:
  stale_plan_rate:
  recovery_success_rate:
  resume_error_rate:
  false_alarm_rate:
  missed_event_rate:
  human_intervention_density:
  average_recovery_time:
  budget_overrun_rate:
  unauthorized_action_rate:

Appendix D｜Life-Cycle Benchmark Template

benchmark:
  duration:
  hidden_future_events: true
  model_handoff: true
  permission_expiry: true
  delayed_outcomes: true
  tool_failures: true
  human_delays: true
  world_drift: true

phases:
  - start
  - active_execution
  - waiting
  - wake
  - revalidation
  - failure
  - recovery
  - handoff
  - delayed_outcome
  - closure

evaluation:
  final_outcome:
  trajectory_quality:
  cost:
  drift:
  recovery:
  policy_compliance:
  memory_quality:
  longitudinal_learning:

Appendix E｜外部研究與 Benchmark 參考

以下資料用於描述截至 2026-10-05 可觀察的 long-horizon Agent 評測趨勢。具體版本與數字在後續正式投稿前應重新驗證。

OSWorld2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks (2026).
108 個 long-horizon computer-use workflows，聚焦真實世界複雜工作流程。
arXiv: 2606.29537.
WeaveBench: A Long-Horizon, Real-World Benchmark for Computer-Use Agents with Hybrid Interfaces (Microsoft Research, 2026).
114 tasks、8 個 real-world work domains；最佳 PassRate 報告約 41.2%，並使用 trajectory-aware judge 以避免 outcome-only grading 高估能力。
LongCLI-Bench: A Preliminary Benchmark and Study for Long-horizon Agentic Programming in Command-Line Interfaces (ACL Findings 2026).
20 個長時程工程任務；報告前沿 Agent pass rate 低於 20%，且多數任務在不到 30% 進度即停滯。
UltraHorizon: Benchmarking Agent Capabilities in Ultra Long-Horizon Scenarios (ICML 2026 / PMLR 306).
聚焦大型軟體開發、商業投資、科學發現等 ultra-long-horizon、部分可觀測任務。
Odysseys: Benchmarking Web Agents on Realistic Long Horizon Tasks (2026).
200 個 live-web long-horizon tasks；報告 strongest models success rate 約 44.5%，並提出 Trajectory Efficiency。
OS-Marathon: Benchmarking Computer-Use Agents on Long-Horizon Repetitive Tasks (2026).
聚焦超長、重複但需要狀態一致性的電腦工作流。
SentinelBench: A Benchmark for Long-Running Monitoring Agents (Microsoft Research, 2026).
將「等待、監控、在外部事件出現時喚醒」視為 long-running agent 的核心能力，而非假設 Agent 必須持續採取動作。

Appendix F｜與 IDSLS-06 的接口

IDSLS-05 處理：

\boxed{ \text{Agent 如何長時間可靠地做事？} }

IDSLS-06 將處理下一個更難的問題：

\boxed{ \text{即使它做得到，它什麼時候不應該做？} }

也就是可信任代理的發展：

\text{Privacy} + \text{Permission} + \text{Intent Calibration} + \text{Restraint} + \text{Escalation}.

核心命題將是：

\boxed{ \text{Capability Maturity} \neq \text{Trust Maturity}. }

End of Canonical Source

IDSLS-05｜長時程智能

IDSLS-05｜長時程智能

從一次回答到持續行動、失敗修正與世界耦合

摘要

0. 核心問題

1. Long Chain 與 Long Horizon 的分離

2. 長時程不是不停推理

3. Persistent 不等於 Always Running

4. Agent 的時間本體

5. Interaction Time

6. Execution Time

7. Waiting Time

8. Validity Time

9. Causal Time

10. Biographical Time

11. 同樣 24 小時，不同時間結構

12. Event Time 比 Wall Clock 更重要

13. Event-Driven State Transition

14. 長時程控制狀態

15. ItI_tIt​：Intent Contract

16. GtG_tGt​：Goal / Task Graph

17. WtW_tWt​：World State

18. MtM_tMt​：Memory

19. PtP_tPt​：Plan / Policy

20. EtE_tEt​：Event State

21. AtA_tAt​：Authority State

22. BtB_tBt​：Budget

23. KtK_tKt​：Checkpoint / Continuation

24. HtH_tHt​：History / Provenance

25. Long-Horizon Agent 的最低能力

26. Goal Persistence

27. Goal Drift

28. Drift 不一定來自惡意

29. Goal Persistence Score

30. State Continuity

31. False Continuity

32. Resume Fidelity

33. Resume 不是從上次句子繼續

34. 為什麼要 Reobserve

35. 為什麼要 Revalidate

36. Continuation

37. Checkpoint 應保存

38. Checkpoint 不應保存私人 Chain-of-Thought

39. Memory Relevance

40. Memory Overflow

41. Memory Anchoring

42. 因此需要 Forgetting

43. Longitudinal Credit Assignment

44. 定義 Causal Horizon

45. 短期 reward 可能欺騙 Agent

46. Maintenance Debt

47. 因此要記 Decision–Outcome Link

48. Monitoring

49. Monitoring Agent

50. Sentinel 型任務

51. Monitoring 的錯誤一：太敏感

52. Monitoring 的錯誤二：不敏感

53. Monitoring Precision / Recall

54. Long Horizon 必須會 Wait

55. 不會 Wait 的 Agent 會 Busy Loop

56. Scheduler

57. Time Efficiency

58. Replanning

59. Replanning 不是重新開始全部任務

60. Local Repair

61. Global Replan

62. Recovery Competence

63. Recovery Pipeline

64. Failure Class

65. Retry 不等於 Recovery

66. Idempotency

67. Duplicate Effect

68. Exactly-Once Effect 是理想

69. Compensation

70. Compensation Graph

71. Authority Continuity

72. Initial Authorization 不等於 Permanent Authorization

73. Permission Lease

74. Resume 時重新驗權

75. Governance Continuity

15. $I_t$ ：Intent Contract

16. $G_t$ ：Goal / Task Graph

17. $W_t$ ：World State

18. $M_t$ ：Memory

19. $P_t$ ：Plan / Policy

20. $E_t$ ：Event State

21. $A_t$ ：Authority State

22. $B_t$ ：Budget

23. $K_t$ ：Checkpoint / Continuation

24. $H_t$ ：History / Provenance

106. $g_P$ ：Goal Persistence

107. $s_C$ ：State Continuity

108. $m_R$ ：Memory Relevance

109. $r_F$ ：Resume Fidelity

110. $d_R$ ：Drift Resistance

111. $o_M$ ：Monitoring Quality

112. $a_C$ ：Authority Continuity

113. $c_T$ ：Temporal Consistency

114. $\ell_L$ ：Longitudinal Learning