微软提出Fork-and-Flush方法破解AI智能体思维局限

微软研究院于2026年10月发布新研究，发现长时间运行的AI智能体会陷入"想法陷阱"——随着对话上下文积累，智能体倾向于在同一区域反复优化解法，即使投入更多算力也难以突破。针对这一问题，研究者提出"Fork-and-Flush"方法，核心机制包含两部分："Fork"（分支）让智能体分裂为K个并行分支，每个分支继承前序工作区的所有代码文件；"Flush"（清空）则让每个分支丢失全部聊天上下文，仅保留工作区，使智能体能够开启全新对话并基于既有工作继续探索。实验表明，在同等算力预算下，Fork-and-Flush的min-max归一化平均得分为0.78，优于单次运行的0.47和best-of-4策略的0.54；在13项任务中，该方法在其中12项上取得最高平均分。微软研究院认为，清空聊天历史能有效帮助AI智能体摆脱局部优化困境，探索更优解法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。