一分钟读论文：《StructAgent：用因果结构驾驭长程数字Agent》

一分钟读论文：《StructAgent：用因果结构驾驭长程数字Agent》

加州大学圣地亚哥分校与 Aether AI Lab 合作的一篇论文《Harness Long-horizon Digital Agents with Unified Causal Structure》，提出 StructAgent 框架，通过统一状态表示和结构化工作流显著提升长程数字 Agent 的可靠性。在 OSWorld-Verified 基准上，Qwen3.5-9B 的成功率从 27.0% 提升至 46.9%，Qwen3.5-27B 从 31.6% 提升至 62.2%，MiniMax-M3 达到 78.9% 的开源 SOTA。该框架的核心贡献在于将 Agent 的状态和工作流围绕统一的因果表示进行显式结构化，从根本上解决了长程任务中进展难以解释和恢复的问题。

长程 Agent 的可靠性危机

现实世界中的数字任务往往具有长程特性：涉及累积观察、中间编辑、失败尝试和部分完成的执行步骤。现有 Agent 通常直接在原始交互历史上运行，导致任务进展难以解释、验证和恢复。

这种设计在短程任务中或许可行，但当任务链条拉长时，问题会急剧放大。庞杂的交互历史包含大量冗余信息，Agent 无法从中快速定位当前状态和下一步行动。更严重的是，当任务执行出现偏差时，原始交互历史缺乏结构化的回溯机制，使得故障恢复变得极其困难。这种可靠性危机限制了 LLM Agent 在真实场景中的大规模部署。

StructAgent 的统一状态与结构化工作流

StructAgent 的核心思路是将 Agent 的状态和工作流围绕统一的因果表示进行显式结构化。统一状态是一个紧凑、类型化且可审计的任务进展表示，取代了原始的交互历史。它通过类型化的字段记录任务目标、已完成步骤和当前上下文，使任何观察者都能快速理解 Agent 的进展。

结构化工作流则通过验证器支持的狀態转换来规范任务推进过程。Agent 在规划、执行和验证三个阶段之间循环，每个阶段的状态变更都需要经过验证器的确认。这种设计确保了所有进展更新都有据可查。

该框架实现了三个关键机制：显式进度检查点让 Agent 在关键节点记录当前状态；证据驱动完成要求 Agent 提供可验证的证据而非自报 Done；目标性故障恢复使 Agent 能够在特定失败路径上精准回退并重试，而非盲目重启整个任务。

实验结果与泛化能力

在 OSWorld-Verified 基准上的实验表明，StructAgent 对多种 LLM 和 VLM 后端均能带来稳定提升。Qwen3.5-9B 的成功率从 27.0% 提升至 46.9%，增幅达 19.9 个百分点；Qwen3.5-27B 从 31.6% 提升至 62.2%。配合 MiniMax-M3 模型时，StructAgent 达到了 78.9% 的开源 SOTA 成绩。

更值得注意的是，同一框架在 Minecraft 环境中同样有效。Minecraft 作为一个需要长期规划和多步骤操作的开放世界环境，对 Agent 的长程能力提出了更高要求。StructAgent 在该环境中的成功验证了统一因果结构设计的泛化能力，表明其不仅适用于桌面操作系统任务，也能胜任其他类型的数字交互场景。

References