0
0Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。
如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。
合作邮箱：zhiwudazhanjiangshi#gmail.com
今天的主题是：
Your Agents Are Aging Too: Agent Lifespan Engineering for Deployed Systems
Summary
长期运行的 AI 智能体正越来越多地作为持续运行的业务系统投入部署，但它们仍然按照刚初始化的模型进行评估。部署首日（Day-one）的基准测试忽略了一个最基本的系统性问题：一个智能体在部署之后究竟能够保持可靠多久？
即使模型权重保持冻结，智能体的有效状态（effective state）仍会持续变化：它会压缩交互历史、从不断增长的记忆库中检索信息、在信息更新后修订已有事实，并经历日常维护。因此，可靠性应当被视为整个智能体运行框架（agent harness）的生命周期属性，而不仅仅是基础模型在某一时刻的静态属性。
我们提出 AgingBench，一个面向智能体生命周期工程（agent lifespan engineering）的纵向可靠性基准。它不仅衡量已部署智能体是否会发生性能退化，还关注退化以何种形式出现，以及修复工作应当针对哪些环节展开。
AgingBench 将智能体老化归纳为四种机制：压缩老化（compression aging）、干扰老化（interference aging）、修订老化（revision aging）以及维护老化（maintenance aging）。
为了诊断这些失效机制，AgingBench 引入了时间依赖图（temporal dependency graphs）和成对的反事实探针（paired counterfactual probes），从而为记忆流水线（memory pipeline）的写入（write）、**检索（retrieval）和利用（utilization）**三个阶段生成诊断画像（diagnostic profiles）。
在涵盖 7 个场景、14 个模型、多种记忆策略，以及由运行器控制（runner-controlled）和自主运行（autonomous）的智能体的实验中，我们完成了约 400 次运行，覆盖 8–200 个会话。结果表明，智能体老化并非单一维度的现象：行为测试可能依然表现良好，而事实精度却已开始下降；同一模型内部，对衍生状态（derived state）的跟踪能力可能在一次实验中急剧崩溃；甚至对于同一个错误答案，根据诊断画像所揭示的失效机制不同，其所需的修复方式也可能完全不同。
这些结果表明，要实现可靠的智能体部署，仅仅依赖更强的部署首日模型是不够的；还需要对智能体整个生命周期进行评估、开展机制层面的诊断，并针对不同阶段实施有针对性的修复。
原文链接：arxiv.org
