微軟與上海交通大學開源 Argus，1548 小時自主研究系統

從「會執行」到「會掌舵」，長程 Agent 還缺什麼？

在 Agent 快速發展的今天，Harness 已經讓大模型觸碰到真實世界，能夠調用工具、修改代碼並運行實驗。但當任務從幾十分鐘延長到數天，系統仍需要一個人長期守在螢幕前，判斷下一步該往哪裡走。

造成這一瓶頸的關鍵，不僅僅是模型能力不足，更是現有的 Agent 大多自動化了「執行」，卻未真正自動化執行之上的「駕駛」。Harness 賦予模型行動的能力，人類賦予模型決策。一旦人類離開，項目便隨之停擺。此外，在缺乏密集獎勵反饋的情況下，Agent 的執行與反應也會顯得遲鈍笨拙。

為了解決這一問題，微軟、上海交通大學等機構開源了 Argus，一套面向長週期研究任務的通用 Agent 推理運行時，並發布技術報告。系統透過證據驅動、自進化、多 Agent 協作、核心與垂域解耦等設計，讓 Agent 在沒有密集標準回饋的情況下，擴展至多領域持續研究數天。

報告涵蓋 27 個 Campaign、1,548 小時牆鐘時間。平均每 40.7 小時主動請求一次人類干預；報告的工作佔空比為 95.1%~98.7%。這次 Argus 交付的不只是高分 benchmark，而是一套完整的生產級成果冊。團隊在 AI4AI、GPU Kernel、模型訓練、AI4Science、晶片設計、AI4math、AI4System 等廣闊任務上提供了成果，體現了 Argus 的通用性與真實研究級智慧。

圖 1：Argus 運行時、能力基準與交付成果總覽。

論文標題：Argus：誰在驅動這股勢力數日？
論文：https://arxiv.org/abs/2608.05144
代碼：https://github.com/lbx154/Argus
項目主頁：https://argusbot.cn/
項目成果開源庫：https://github.com/Argus-AiTeam
項目數學解題直播：https://open.argusbot.cn/#counterexample-live

01 從目標導向轉向證據導向：

誰來決定 Agent 的下一步？

過去兩年，Agent 工程的主要進展集中在 Harness：以自動駕駛的 FSD 作比喻，模型像發動機，Harness 像傳動系統，但真正決定車輛駛向哪裡的，仍是坐在螢幕前的人。在短任務中，就像普通的自動泊車，任務本身還能提供明確反饋；一旦任務延長至數天，研究問題往往既沒有穩定的獎勵，也沒有從一開始就定義清楚的目標。現有 Agent 因此暴露出真正的瓶頸：它們已經會執行，卻還不會在不確定性中持續判斷。

圖 2：Argus 透過實現 auto-research 的自主科研，將人類的角色從持續推動的駕駛位變為副駕駛。

Argus 將 Harness 上方這個此前未被自動化的位置稱為 Driver。它的作用是在計劃與現實衝突時，仍能依據證據繼續掌舵。研究開始時寫下的目標，僅是資訊最少階段的初始假設；如果 Agent 只能以 Goal-Driven 方式追逐預設終點，甚至在不可能的目標上反覆浪費 Token，就會導致目標僵化。而 Evidence-Driven 則將控制邏輯倒轉：下一步由已有證據決定，而非由計劃最初的假設決定。運行中的一切結果，都是能改變路線的有效證據；系統正是以證據驅動。具體而言，Driver 需要根據當前證據反覆回答以下四個問題：

Has this task been completed, and is the quality sufficient?

2. Based on current evidence, what is the most worthwhile next step?

3. 本輪獲得的經驗，應如何改變後續的系統行為？

4. 剩餘的問題是否涉及只有人類才能作出的決定？

02 Build a universal customizable long-running runtime

Argus 將長期項目組織為持久性的 Campaign，並拆解為一系列邊界明確的 Mission。其基本閉環為：Manager → Planner → Engineer ⇄ Reviewer → Manager：

以 OpenAI Codex 的 /goal 模式為參照，可以更清楚地定位 Argus 的設計取向。/goal 是將一個 agent 的單輪迴圈拉長為帶有 goal state 的持久迴圈；Argus 則是將研究項目組織為多角色、多 harness、可沉澱知識的長程運行時。前者回答「怎麼讓 agent 不停下來」，後者回答「agent 不停下來後，怎麼有效工作」。這正是從 Goal-Driven 轉向 Evidence-Driven 在運行時層面對應的結構差異。

1. 管理員掌握階段轉換、流程審批、全局策略；

2. Planner 根據當前證據規劃具體任務；

3. Engineer 進入真實代碼庫、實驗、執行；

4. 審核者獨立審查工件，檢驗其創新性與有效性，並向經理報告或退回給工程師。

重點不在於多角色本身，而在於拆分上下文——多個角色相互配合，以避免 agent 變成簡單的局部爬山器；每個角色擁有自己獨特的上下文，但共享工作區，從而避免將規劃、執行和驗證全部交由單一 agent 完成，可提升 token 效率。正因如此，可在 Argus 的一個任務中同時啟用 Pi、Codex、Claude Code、 DeepSeek 網羅不同的 harness，保證了高度客製化。

系統儲存的是一套完整的工件；只有通過證據門檻的經驗，才會進入 Wiki 和 Skill，並按 Project、Vertical 或 Global 作用域供後續任務複用。

同時，Core 與 Vertical 保持解耦：Core 負責角色權限、證據提交和人類邊界；Vertical 由領域專家定義數學、GPU、材料等任務中什麼才算有效證據，以及相關的人類 skill 和知識；Vertical 可顯著提升研究任務的交付品質，同時為人類專家與 agent 的協同進化及客製化工作流程提供介面。

圖 3：Argus 的長程運行機制。四類角色圍繞持久狀態循環，Campaign 可在八個研究階段間推進或回滾。

03 1548 小時之後，Argus 留下了什麼？

真正決定長程 Agent 是否成立的，是時間能否轉化為真實的研究成果。Argus 開源後不到一個月，已在基礎設施、材料、晶片、數學和 AI 系統研究中做出卓越貢獻，同時我們是首個公布完整端到端數學猜想解決篩選日誌的團隊，將所有的運行軌跡 session 等均開放，以下為 Argus 開源後各項成果的彙總：

圖 4：Argus 代表性研究成果、關鍵指標與驗收依據

As shown in the table above, Argus first transformed continuous operation into verifiable, tangible deliverables within AI4System & Infra, completing the first step from automated execution to autonomous research through clear engineering outcomes; subsequently, the scope of tasks expanded from AI infrastructure to AI4Science, AI4Hardware, and AI4Math, with evaluation criteria shifting from “whether predefined tasks were completed” to “whether unresolved real-world research problems could be explored,” thereby advancing automated research from automated delivery to automated exploration; on this foundation, Argus further extended from isolated achievements to a complete research workflow in the AI4AI direction, continuously driving task progression with evidence, eliminating the need for humans to remain constantly at their screens, thus forming a progressive path from tangible delivery, cross-domain exploration, to fully autonomous research.