最近AI圈冒出来一篇相当反常识的论文，出自微软研究院，研究对象正是当下大火的AI Agent。

按照大家的常规认知，Agent记得过往对话、积累的经验越多，干活应该越顺手，但这篇10月5日登上arXiv的论文《Fork-and-Flush: Escaping Idea Basins in Autoresearch Agents》却给出了完全相反的结论：Agent聊得越久、攒的记忆越多，反而越容易死钻牛角尖。而微软给出的解决方法更是简单粗暴——定期清空聊天记录。

同个Agent跑8次，分数最多差30分

这次研究的对象是专门做自动科研的Agent，它们的工作流程是反复提出候选方案、跑实验验证、根据分数反馈调整下一个方案，单次任务往往要跑几小时甚至好几天。

研究人员做了个很简单的测试：让同一个Agent在同一个任务上独立运行8次。按理说配置、任务完全一致，结果应该差不了多少，但最终8次的分数从68.3到100.0不等，中位数仅81.9，最差和最好的成绩差了足足30多分。

更反直觉的是，砸算力都补不上差距：给表现差的运行追加大量计算资源，它们也只会在原有思路里原地打转，分数几乎没有提升。

为了搞清楚原因，团队把每次运行产出的方案按功能相似度绘制成二维地图，发现每次运行提出的方案全程都缩在地图的一小块固定区域里，根本没有大范围探索，他们把这种区域命名为“思维盆地”（idea basin）——8次独立运行，分别掉进了5个完全不同的盆地里。

这种情况特别像装修队一开始定了北欧风，之后买的所有家具、软装全往北欧风靠，哪怕地中海风更适配户型，他们也根本想不起来，因为收藏夹里已经存满了北欧风的参考图。而Agent攒下的长聊天记录，就是这些占满内存的“参考图”。

值得一提的是，这些Agent本身自带聊天记录自动压缩机制，上下文太长时会自动总结摘要再继续运行，但实测证明，仅靠压缩摘要根本跳不出思维盆地。

【编辑观察】这不就是线上版的“路径依赖”？开头第一步走错了，后面越努力反而在错的方向上扎得越深，攒的经验反而成了枷锁。

清空记忆重开，性能直接暴涨66%

针对这个问题，微软团队提出了名为「Fork-and-Flush（分叉-清空）」的解决方法，逻辑只有两步：

  • 分叉（Fork）：把当前Agent复制出多个并行分支，每个分支完整继承所有工作区资产——之前写的代码、产出的文件、跑出来的实验结果全部保留，一件家当都不丢。
  • 清空（Flush）：把所有分支的聊天记录全部清零，让每个分支只看着现有的工作成果，重新推导接下来的行动方向，不用受之前思路的限制。

等所有分支跑满固定时长后，对比各自的分数，只保留表现最好的分支继续运行，剩下的分支直接淘汰。论文里提到，新分支必须从现有文件里重新推导自身目标，这恰恰是它能跳出原有思维盆地的核心原因。

研究团队在13个长周期任务上测试了这套方法，任务覆盖多连块拼图、车间调度、密码破译、压缩图像分类器、VLIW内核优化等类型，单次运行时长从几小时到超过一百小时不等，底层调用的是GPT-5.6-terra和GPT-5.5模型，通过GitHub Copilot命令行工具运行。

在同等算力预算下，三组方案的归一化平均分差距明显：普通单跑只有0.47，跑4次选最好结果也只有0.54，而Fork-and-Flush拿到了0.78，相比普通单跑提升66.0%，相比“四选一”的暴力重试方法提升44.4%。13个任务里，这套方法在12个任务上都拿到了最高平均分，同时稳定性也大幅提升，分数标准差从0.26降到了0.16。

消融实验的结果也很有意思：只清空聊天记录不分叉，性能提升约22%；只分叉不清空记忆，也有一定提升；只有两个操作组合在一起，才能拿到最好的效果，相当于“主动遗忘”和“多路径探索”各有作用，缺一不可。

最有戏剧性的案例出现在多连块拼图任务上：当算力预算花掉71%时触发清空机制，最终胜出的分支第一次提交方案，就直接跨出了43个单位的距离——作为对比，普通单跑的Agent到了这个阶段，每一步最多只能挪动4.4个单位。这一跳直接跳进了全新的思维盆地，最终拿到93.9分，而8次普通单跑的中位数分数只有84.6。剩下三个没跳出原有盆地的分支，每步挪动距离不超过1个单位，彻底困在了原有思路里。

模型迭代再强，也逃不开这个问题

不少人会觉得，现在Agent钻牛角尖是模型能力不够，等以后模型更强了，这个问题自然就解决了。

为了验证这个猜想，团队用Qwen3.5的4B、9B、27B三个不同参数规模的模型，在难度可精确调节的MAX-3-SAT题目上做了测试，结果发现不同运行之间的结果差异呈现明显的倒U型曲线：

  • 题目太简单时，模型每次都能做对，解法高度趋同，差异很小；
  • 题目太难时，模型每次都做不出来，失败方式也高度趋同，差异同样很小；
  • 差异最大的区间，恰好卡在模型能力的边缘，也就是题目“刚好能做对一半”的位置，拟合出的差异峰值对应达成度为0.497，几乎正好在中间。

而开放式的科研类任务，本身就刚好处在模型能力的边缘位置。论文作者判断，哪怕未来模型能力持续变强，这种“思维盆地”现象也不会消失，只是模型的能力边缘会移动到难度更高的任务上而已，定期重置上下文的方法对未来的前沿模型依然有效。

【编辑观察】这个规律放到日常工作里也适用：卡壳的时候别死磕旧草稿，清空思路从头捋，说不定反而比闷头硬想效率高得多。

这项研究也给所有Agent开发者提了个醒：“上下文记忆全是资产”的固有认知或许并不成立，当累积的记忆超过临界点后，反而会限制Agent的探索能力，早期的推理路径会把模型牢牢锚定在不够好的次优路线上。