检验Agent水平的唯一标准是长任务。这个判断，建立在一个简单的事实上：短任务可以靠记忆完成，长任务必须靠理解完成。短任务中，模型只需处理当前输入；长任务中，模型需要保持上下文的连贯性，需要在数百步后还记得最初的意图，需要在遇到异常时自主调整策略。学 ...