CORAL：Agent 在长任务中迷失？学会清桌子比换大模型更管用

一个熟悉的场景

你让一个 Agent 去完成一个多步骤任务：在网页上找信息、交叉验证、计算、汇总。

前 10 步它做得很好。到第 15 步，它开始重复搜索同一个关键词。第 20 步，它忘了之前已经验证过的事实，重新验证一遍。第 30 步，它陷入循环——把之前的错误推理当成事实，基于错误继续推理。

这不是模型不够聪明。这是认知过载。

人类遇到这种情况会怎么做？你会拿张纸，把已经确认的事实记下来，然后把脑子里乱七八糟的中间过程清掉，从干净状态继续。

CORAL（COgnitive Resource Self-ALlocation）就是给 Agent 这张纸。

论文来自香港中文大学和腾讯的研究团队，发表于 2026 年 10 月 29 日。

问题：Agent 的"工作记忆"会塞满

LLM Agent 的工作方式通常是这样的：每一步，它都会看到之前所有步骤的完整记录——搜索了什么、点击了什么、推理了什么。这就是它的"工作记忆"。

短任务没问题。但任务一长（30 步、50 步、100 步），工作记忆里堆满了：

• 已经搜索过的页面内容（大部分已经没用了）
• 中间推理步骤（很多是试错的死胡同）
• 工具调用的返回结果（冗长且重复）
• 早期错误推理留下的"污染"

这就像你的桌子上堆了 50 张纸，你需要的信息在第 3 张和第 47 张，但你每次都要翻一遍所有纸才能找到。更糟的是，第 23 张纸上有个错误计算，你每次翻过去都会被它干扰。

认知过载的直接后果： 1. 注意力被稀释——重要信息和噪音混在一起 2. 错误累积——早期的错误推理被后续步骤当作事实 3. 循环——Agent 忘了自己做过什么，重复同样的操作 4. 成本爆炸——每一步都要处理越来越长的上下文，token 消耗线性增长

CORAL 的解法：检查点 + 重置

CORAL 的核心思路异常简单：让 Agent 自己决定什么时候"清桌子"。

具体来说，CORAL 给 Agent 提供了一个"工作记忆管理工具集"：

1. Checkpoint（检查点） Agent 可以主动把"已验证的事实"和"当前任务进度"保存下来。这就像你写纸条："已经确认了 X、Y、Z，下一步要做 W。"

2. Context Reset（上下文重置） Agent 可以主动清空当前的工作记忆，只保留检查点里保存的内容。这就像你把桌上的纸全扫到地上，只留下那张写有关键信息的纸条。

3. Resume（恢复） 清空后，Agent 从检查点保存的状态继续推理，带着干净的工作记忆开始新的"episode"。

关键在于：Agent 自己决定什么时候 checkpoint、什么时候 reset。 这不是外部强加的规则，而是 Agent 通过训练学会的元认知能力。

多回合 Agentic RL：教 Agent 学会"清桌子"

光给工具不够，Agent 还得学会用。研究者用了Multi-episode Agentic Reinforced Policy Optimization来训练 Agent 的检查点能力。

训练方式：

• 把长任务拆成多个 episode
• Agent 在每个 episode 结束时可以 checkpoint
• 下一个 episode 从 checkpoint 恢复，但工作记忆是干净的
• RL 奖励基于最终任务完成度，但 Agent 需要学会"什么时候 checkpoint 最有价值"

这和人类的工作方式很像：你在写代码时，会在完成一个功能后 commit 一次。不是因为有人告诉你"现在 commit"，而是因为你学会了"在这个节点 commit 最安全"。

实验结果：8B 模型打败大模型

在 GAIA 基准测试上（一个多步骤 Agent 任务的标准评测）：

CORAL + 8B 模型：42.8% 平均准确率

这个数字本身可能不惊艳，但对比一下：

• 在最难的 Level 2 和 Level 3 任务上，CORAL 的提升最大
• CORAL 消耗的 input token 是 ReAct Agent 的 1/6 到 1/7

6-7 倍的 token 效率提升。这不是"稍微好一点"，是"同样的任务，用 1/7 的成本完成"。

更值得注意的是：一个 8B 的小模型，配上 CORAL，在长任务上能超过没有 CORAL 的更大模型。瓶颈不是模型容量，是上下文管理。

消融实验：每个组件都有用

研究者做了详细的消融：

去掉 checkpoint：Agent 无法保存进度，每次 reset 都从零开始。长任务准确率大幅下降。

去掉 reset：Agent 只能 checkpoint，不能清空上下文。这就像你只能往桌子上加纸，不能扫掉。认知过载问题依然存在。

去掉 RL 训练：只给工具不训练。Agent 不知道什么时候该 checkpoint、什么时候该 reset。效果介于两者之间。

三个组件缺一不可：工具（checkpoint + reset）+ 策略（RL 训练的检查点时机判断）= CORAL 的完整配方。

泛化能力：不只适用于 GAIA

CORAL 不只在 GAIA 上有效。研究者还测试了：

• 多跳知识问答：需要跨多个文档推理的任务。CORAL 的检查点机制帮助 Agent 记住"已经找到了哪些事实"。
• BrowseComp：需要浏览大量网页的任务。CORAL 的 reset 机制帮助 Agent 摆脱"浏览历史"的干扰。

这说明 CORAL 解决的不是一个特定 benchmark 的问题，而是长任务 Agent 的通用认知过载问题。

一个具体的例子

论文附录里有一个很好的案例研究：

任务：一个需要 36 步的 BrowseComp 问题。

• CORAL Agent：36 步完成，中间做了 7 次检查点。每次检查点后 reset 上下文，从干净状态继续。最终正确回答。
• ReAct Agent：47 步后放弃。做了 42 次搜索（大量重复搜索），上下文越来越长，最终在噪音中迷失。

关键区别：CORAL Agent 在第 10 步左右做了一次检查点，保存了"已经找到的关键事实"，然后 reset。这让它在第 11 步开始时，工作记忆里只有 3 条关键事实，而不是前 10 步积累的 5000 token 噪音。

我的看法：从"更长上下文"到"更好上下文管理"

CORAL 代表了一个重要的范式转变：解决长任务问题，不是给模型更长的上下文窗口，而是教模型管理自己的上下文。

这和人类认知科学的研究一致。人类的工作记忆容量很小（大约 7±2 个组块），但人类能完成极其复杂的长任务。靠的不是更大的工作记忆，而是：

• 外部化记忆（笔记、文件、检查点）
• 主动清理（做完一步就"忘掉"中间过程）
• 分集处理（把长任务拆成多个短 episode）

CORAL 把这三个策略都给了 Agent。而且关键是——它让 Agent 自己决定什么时候用。

这和"判断-闸门解耦"的思路一脉相承：不是给模型更多能力，而是给模型"管理自己能力的能力"。 检查点是判断（什么值得保存），reset 是闸门（什么该被清掉），Agent 学会两者配合才能在长任务中保持清醒。

一个更实际的启示：如果你的 Agent 在长任务中表现下降，先别换更大的模型。试试让它学会"清桌子"。 瓶颈可能不是模型容量，是上下文里塞了太多该清掉的东西。

---

论文：arXiv:2610.40350