AI guides

解决20年数学难题!微软开源Argus用证据驱动1548小时自动研究

By 机器之心1 viewsSource: 机器之心
解决20年数学难题!微软开源Argus用证据驱动1548小时自动研究

从「会执行」到「会掌舵」,长程 Agent 还缺什么?

The full text has not been translated yet. The Chinese original is shown below.

从「会执行」到「会掌舵」,长程 Agent 还缺什么?

文章配图

在 Agent 快速发展的今天,Harness 已经让大模型触碰到真实世界,能够调用工具、修改代码并运行实验。但当任务从几十分钟延伸到数天,系统仍需要一个人长期守在屏幕前,判断下一步往哪里走。

造成这一瓶颈的关键,并不只是模型能力不足,更是现有 Agent 大多自动化了「执行」,却没有真正自动化执行之上的「驾驶」。Harness 赋予模型行动的能力,人类赋予模型决策。人一旦离开,项目也随之停下。并且,在没有密集奖励反馈时,Agent 的执行和反应也会显得迟钝笨拙。

为了解决这一问题,微软、上海交通大学等机构开源了Argus,一套面向长周期研究任务的通用 Agent 推理运行时,并发布技术报告。系统通过证据驱动、自进化、多 Agent 协作、核心与垂域解耦等设计,让 Agent 在没有密集标准反馈的情况下扩展至多领域持续研究数天。

报告覆盖 27 个 Campaign、1,548 小时墙钟时间。平均每 40.7 小时一次主动请求一次人类干预;报告的工作占空比为 95.1%~98.7%。这次 Argus 交付的不只是高分 benchmark,而是一套完整的生产级成果册。团队在 AI4AI、GPU Kernel、模型训练、AI4Science、芯片设计、AI4math、AI4System 等广阔任务上给出了成果,体现了 Argus 的通用性与真实研究级智能。

文章配图

图 1:Argus 运行时、能力基准与交付结果总览。

文章配图

  • 论文标题: Argus: Who Drives the Harness for Days?
  • 论文: https://arxiv.org/abs/2608.05144
  • 代码: https://github.com/lbx154/Argus
  • 项目主页: https://argusbot.cn/
  • 项目成果开源库: https://github.com/Argus-AiTeam
  • 项目数学解题直播:https://open.argusbot.cn/#counterexample-live

01|从 Goal-Driven 转向 Evidence-Driven:谁来决定 Agent 的下一步?

过去两年,Agent 工程的主要进展集中在 Harness:借用自动驾驶的 FSD 作比喻,模型像发动机,Harness 像传动系统,但真正决定车辆驶向哪里的,仍是坐在屏幕前的人。短任务中,就像普通的自动泊车,任务本身还能提供明确反馈;一旦任务延伸到数天,研究问题往往既没有稳定的奖励,也没有从一开始就定义清楚的目标。现有 Agent 由此暴露出真正瓶颈:它们已经会执行,却还不会在不确定性中持续判断。

文章配图

图 2:Argus 通过实现 auto-research 的自主科研,将人类的角色从持续推动的驾驶位变为副驾驶。

Argus 将 Harness 上方这个此前没有被自动化的位置称为 Driver。它要做的是在计划与现实冲突时,仍能依据证据继续掌舵。研究开始时写下的目标,只是信息最少阶段的初始假设;如果 Agent 只能 Goal-Driven 地追逐预设终点,甚至在不可能的目标上反复浪费 Token,就会造成目标僵化。而 Evidence-Driven 则把控制逻辑倒转过来:下一步由已有证据决定,而不是由计划最初的假设决定。运行中的一切结果,都是会改变路线的有效证据;系统正是用证据驱动。具体而言,Driver 需要根据当前证据反复回答以下四个问题:

1. 这项工作是否已经完成,而且质量足够好吗?

2. 结合当前证据,下一步最值得做什么?

3. 本轮得到的经验,应该如何改变之后的系统行为?

4. 剩余问题是否涉及只有人类才能作出的决定?

02|搭起一套通用的客制化长程运行时

Argus 把长期项目组织成持久化的 Campaign,再拆成一系列边界明确的 Mission。它的基本闭环是 Manager → Planner → Engineer ⇄ Reviewer → Manager:

以 OpenAI Codex 的 /goal 模式为参照,可以更清楚地定位 Argus 的设计取向。/goal 是把一个 agent 的单轮循环拉长为带有 goal state 的持久循环;Argus 则是把研究项目组织为多角色、多 harness、可沉淀知识的长程运行时。前者回答「怎么让 agent 不停下来」,后者回答「agent 不停下来后,怎么有效工作」。这正是从 Goal-Driven 转向 Evidence-Driven 在运行时层面对应的结构差异。

1. Manager 掌握阶段转换,流程审批,全局策略;

2. Planner 根据当前证据规划具体任务;

3. Engineer 进入真实代码库、实验、执行;

4. Reviewer 独立审查工件,并检验创新性与有效性,汇报给 Manager 或打回 Engineer。

这里的重点不是多角色本身,而是拆开上下文 —— 多个角色互相配合,来避免 agent 变成简单的局部爬山器,每个角色拥有自己的独有上下文但是共享工作区,不至于将规划、执行、验证全部交给一个 agent 来完成,可以提高 token 效率。也正因此,可以在 Argus 的一个任务中,同时启用 Pi, Codex, Claude Code, DeepSeek Harness 等不同的 harness,保证了高度客制化。

系统保存的是一套完整的工件;只有通过证据门槛的经验,才会进入 Wiki 和 Skill,并按 Project、Vertical 或 Global 作用域供后续任务复用。

与此同时,Core 与 Vertical 保持解耦:Core 负责角色权限、证据提交和人类边界,Vertical 由领域专家定义数学、GPU、材料等任务中什么才算有效证据以及相关的人类 skill 和知识;Vertical 可以明显提高研究任务交付质量,同样为人类专家与 agent 协同进化,客制化工作流程,提供了接口。

文章配图

图 3:Argus 的长程运行机制。四类角色围绕持久状态循环,Campaign 可在八个研究阶段间推进或回滚。

03|1548 小时之后,Argus 留下了什么?

真正决定长程 Agent 是否成立的,是时间能否转化为真实的研究成果。Argus 开源后不到一个月,已经在基础设施、材料、芯片、数学和 AI 系统研究中做出卓越贡献,同时我们是首个公布完整端到端数学猜想解决筛选日志的团队,将所有的运行轨迹 session 等均开放,以下为 Argus 开源后各项成果的汇总:

文章配图

图 4:Argus 代表性研究成果、关键指标与验收依据

如上表所示,Argus 首先在 AI4System & Infra 中把持续运行转化为可验收的真实交付,以明确的工程结果完成从自动执行迈向自主研究的第一步;随后,任务从 AI 基础设施延伸到 AI4Science、AI4Hardware、AI4Math,评价标准也随之从 “是否完成既定任务” 转向 “能否探索悬而未决的现实研究问题”,自动研究因此由自动化交付进一步推进到自动化探索;在此基础上,Argus 又在 AI4AI 方向从单点成果扩展至完整研究流程,以证据持续驱动任务推进,无需人类始终守在屏幕前,由此形成一条从真实交付、跨领域探索到全流程自主研究的递进路径。

文章配图

图 5:Argus 在全流程论文生产中的交付结果。

以上结果均在 1 个月内取得,把这些成果串起来,Argus 是一条逐步加深的价值链:自动化的对象由一次执行扩展为证据驱动的研究推进,大大加速研究进展,这也是「人离开屏幕后,谁来驾驶 Agent」最直接的回答。

结语|屏幕熄灭以后,项目没有归零

长程智能是让 Token 转化为智能,再用智能把一个研究项目持续推进,产生实际价值。Argus 将原本彼此割裂的模型调用组织成一套持续运转的研究系统,让 Evidence-Driven 控制方向,再通过自进化把经验沉淀为能力。

Argus 展示的不只是一个更长时间运行的 Agent,而是一种新的研究组织方式:Harness 解决模型如何行动,Driver 决定系统如何持续前进,研究速度不再受制于人类的工作娱乐时间。这可能意味着研究的加速时代正在到来。屏幕可以熄灭,研究仍在继续。

作者介绍

Argus 由微软与上海交通大学研究者牵头,由多所高校的研究者共同推进。

Argus,让每个人都有自己的数字实验室!

文章来自于"机器之心",作者 "机器之心"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)