OneDayAgent：邁向自主代理人的長程任務管理框架
arXiv - Human-Computer InteractionJingsheng Zheng, Xinyuan Fang, Jintian Zhang, Zhengke Gui, Huajun Chen, Ningyu Zhang
提出 OneDayAgent 框架，透過任務分解、記憶維護與驗證修復機制，解決自主代理人在長程任務中的目標漂移與上下文溢出問題。
AI 幫你先抓重點
AI 重點 1
從「單一模型能力」轉向「系統性框架設計」的思維轉變
滑鼠懸停看 AI 判斷理由
過去研究多聚焦於提升單一 LLM 的推理能力，但本文指出，面對長程任務時，建立一套能管理目標、記憶與錯誤修復的「框架（Harness）」比單純追求模型規模更為關鍵。
AI 重點 2
跨模型後端的通用性與適應性
滑鼠懸停看 AI 判斷理由
這項發現證明了良好的架構設計可以屏蔽底層模型差異，這對於開發者在不同成本與效能需求下切換 AI 模型時，能維持一致的任務執行品質。
核心研究發現
- 1
OneDayAgent 能將開放式請求轉化為受控執行過程，透過將任務分解為有界子任務來應對長程複雜需求。
- 2
該框架具備在上下文壓力下維護執行記憶的能力，並能對最終交付成果進行驗證與自動修復。
- 3
在 AgentIF-OneDay 測試集上，搭配 GLM-5.2 後端時，OneDayAgent 取得了 0.821 的最高評分（SOTA）。
- 4
該框架展現高度泛化能力，無需微調即可在來自三個不同模型家族的五種後端 LLM 上穩定運行。
對教育工作者的啟發
對於開發教育輔助 AI 的設計者而言，這提供了重要啟發：當設計旨在引導學生進行長期專題學習（PBL）的 AI 助手時，不應僅依賴模型本身的對話能力，而應建構一套「管理機制」。這套機制應包含：1. 將複雜學習目標拆解為階段性小目標；2. 在長對話中精準提取與保留關鍵學習脈絡（記憶管理）；3. 具備對學生產出進行初步檢核與引導修復的功能。這能有效防止 AI 在長時程教學過程中出現「目標漂移」或遺忘學生先前設定的學習約束。
原始文獻資訊
- 英文標題：
- OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents
- 作者：
- Jingsheng Zheng, Xinyuan Fang, Jintian Zhang, Zhengke Gui, Huajun Chen, Ningyu Zhang
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。