Microsoft Research 提出 Fork-and-Flush：清除對話脈絡讓 AI agent 在 13 項任務取得 0.78 分

據 The Decoder 報導，Microsoft Research 研究發現，長時間執行的 AI agent 可能因累積對話脈絡陷入固定的「想法盆地」，即使增加計算資源，也未必能探索到更好的解法。研究中的 Autoresearch agents 會反覆提出解法、評估結果，再根據回饋進行修改；同一 agent 在相同任務上進行 8 次獨立執行，最終分數介於 68.3 至 100.0，差距在增加計算資源後仍然存在。 研究團隊提出 Fork-and-Flush 方法：先將 agent 分成 K 個平行分支，讓各分支繼承既有工作區與產生的檔案，再清除每個分支的完整聊天脈絡。對話歷史會遺失，但程式碼、檔案與已儲存結果仍保留；研究認為，重新開始對話可避免舊有推理將 agent 帶回同一個解題方向。單純定期壓縮對話歷史，則未能消除這種現象。 研究在 13 項長時間任務上測試 Fork-and-Flush，任務包括多骨牌填充、工作流程排程、密碼分析、CIFAR 分類器壓縮與 VLIW 核心最佳化；單次執行時間從數小時至超過 100 小時不等。使用 GPT-5.6-terra 與 GPT-5.5，並透過 GitHub Copilot CLI 執行時，在相同計算預算下，Fork-and-Flush 的最小—最大正規化平均分為 0.78，單次執行為 0.47，Best-of-4 為 0.54；相較單次執行與 Best-of-4，研究分別報告 66.0% 與 44.4% 的相對提升，並在 13 項任務中的 12 項取得最高平均分。 Fork-and-Flush 的正規化標準差為 0.16，低於單次執行的 0.26；在另一組 11 項任務中，僅清除對話脈絡、不進行分支，也比單次執行提升約 22%，平均分從 0.45 增至 0.55。 研究也以 MAX-3-SAT 測試 Qwen3.5-4B、Qwen3.5-9B 與 Qwen3.5-27B，發現不同執行結果的差異呈倒 U 型，在接近模型能力上限的任務中最大。研究團隊據此認為，即使模型能力提升，前沿研究 agent 仍可能需要定期重設對話脈絡；但上述結果目前是該研究與 The Decoder 的報導，尚無其他佐證來源。