当AI智能体在复杂任务中反复碰壁时，问题可能出在它记得太多。
发生了什么
微软的研究人员发现，自主AI智能体在长时间运行中，会因不断累积的对话上下文而陷入他们称为“想法盆地”（idea basins）的状态——即被困在局部解决方案区域，难以探索更优路径。为此，他们提出了一种名为“Fork-and-Flush”的方法：在智能体执行任务的过程中，定期清空其聊天历史，但保留工作区（如文件、代码状态等）。在相同的计算预算下，这种方法让智能体在基准任务上的表现最高提升了66%。
为什么重要
当前主流的AI智能体设计，大多依赖长上下文来维持任务连贯性。开发者倾向于让模型记住每一步推理、每一次工具调用和每一轮对话，认为更长的记忆意味着更强的能力。但这项研究揭示了一个反直觉的代价：上下文越长，智能体越容易固守早期形成的思路，反复在同一个“盆地”里打转，即使外部环境已经变化，或存在更简单的解法。
“想法盆地”的概念借鉴了优化理论中的局部最优陷阱。在智能体场景中，聊天历史不仅是记忆，也成了隐性的约束——模型会倾向于与先前的推理保持一致，从而抑制探索。Fork-and-Flush的巧妙之处在于，它区分了“状态”和“历史”：工作区保留了任务进展的客观状态，而清空聊天历史则切断了模型对过去推理路径的路径依赖。这相当于让智能体定期“重新开始思考”，但不必从头执行任务。
影响与看点
对开发者而言，这一发现挑战了“上下文越长越好”的默认假设。在构建编码智能体、自动化工作流或多步推理系统时，或许需要重新审视记忆管理策略：不是简单地扩大上下文窗口，而是设计何时遗忘、遗忘什么的机制。Fork-and-Flush提供了一种轻量级的实现思路——无需修改模型架构，只需在智能体循环中插入清空历史的操作。
对行业来说，这项研究指向了一个更广泛的议题：智能体的能力不仅取决于模型本身，还取决于如何组织其运行时的信息流。随着智能体被部署到更开放、更长期的任务中，记忆的“新陈代谢”可能成为与推理能力同等重要的设计维度。
值得关注的是，该方法在相同算力下取得提升，意味着它不依赖更多计算资源，而是通过优化信息结构来释放潜力。如果这一思路被广泛验证，未来智能体框架可能会将“定期清空上下文”作为标准配置，而非权宜之计。当然，清空的频率、保留工作区的粒度，以及如何避免丢失关键约束，仍是工程上需要细化的地方。
