一句话看懂：一项新研究提出，让 LLM 智能体在自动科研中定期“遗忘”会话状态和候选历史，仅从当前最佳解重新出发，能突破多智能体协作的收益瓶颈，在部分任务上比并行智能体提升最高 15%、比单智能体提升最高 39%。
事件核心：发生了什么
2026 年 10 月 14 日，alphaXiv 收录的一篇论文探讨了 LLM 智能体自动科研的扩展瓶颈。研究者发现，无论让单个智能体迭代更久、并行运行多个智能体，还是让并行智能体互相通信，三种策略都会随历史积累而趋于停滞——智能体被自身过往尝试“锚定”，编辑幅度越来越小，追加预算收效甚微。
论文的核心操作是“遗忘”：周期性丢弃所有智能体的会话上下文、候选解及其评分历史，只保留团队当前找到的最佳候选解，然后从它重新开始。实验在启发式编程、内核优化和模型训练四类任务上测试，使用 Pi 智能体与 DeepSeek V4.1 Flash，每重复实验预算 20 美元，每个配置跑三次。结果显示，带遗忘机制的四人智能体团队在 AHC014 任务上平均最佳得分为 1,103 × 10³，而四个并行智能体为 964 × 10³；另一项同起点对照实验显示，遗忘带来 9.2% ± 6.9% 的提升，而继续迭代仅提升 1.4% ± 1.3%。
为什么重要
这项研究把自动科研的瓶颈从“算力不够”转向“记忆管理”。当前行业普遍通过堆叠更多智能体、更长会话窗口来扩展 AI 代理的研究能力，但实验表明，历史包袱会限制探索的多样性。如果“遗忘”策略在更广任务上成立，它将影响多智能体系统的设计思路——不是简单增加并行度或 token 预算，而是控制智能体记住什么、何时清空。这对依赖自动化实验的模型训练、代码优化和科学发现场景尤其关键。
对用户/开发者/创作者的影响
对开发者而言，这意味着在构建自动研究或代码生成智能体时，可能需要加入“状态重置”机制：保留最佳产出，但清空会话和失败轨迹，以避免模型陷入局部保守。对使用 AI 应用进行内容生成或创意探索的用户，定期开启新会话、只带入最优草稿，或许比在一个长对话里反复修改更容易获得突破。对企业采购者，评估智能体平台时可以关注其是否支持可控的记忆生命周期管理，而不仅是模型参数和单价。目前公开信息显示，该策略在四类任务上有效，但尚未成为通用产品能力。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，遗忘机制能否在更多真实场景（如长周期药物发现、大规模代码库重构）中复现类似增益；第二，是否有商业智能体平台将“选择性遗忘”作为默认功能集成；第三，研究未区分会话历史与候选历史各自的贡献，后续若有人拆解两者效果，可能进一步优化重置策略。目前该论文仍属预印本，实验结论限定在所述任务和预算条件下，不宜视为永久排名或已落地产品。
来源：alphaXiv
