综述不以运行时长定义长程任务，而是看推理依赖链跨过多大的执行边界。H1 是单窗口内的持续交互（如规划-行动-修正循环），H2 是跨会话的任务（需压缩上下文、检查点恢复），H3 是跨任务流（持久运行，目标跨越多个子任务与环境）。对应 C1 交互式推理、C2 状态与记忆、C3 经验积累。三个能力层级不是割裂的：C2 以 C1 为前提，C3 又建立在 C1 与 C2 之上。这个框架的价值在于，它让研究者能精确回答「某项改进究竟发生在哪个层级」——是提升单窗口推理，还是解决了跨会话状态持久化。

为什么同一篇综述把「Harness 工程」摆到与模型优化同等重要的位置？这个概念的走红只用了三周：2025 年 11 月 Anthropic 在博客中首次将 Claude Agent SDK 定义为「通用 Agent Harness」；2026 年 2 月 5 日 HashiCorp 联合创始人 Mitchell 正式命名 Harness Engineering，核心主张是「每发现 Agent 一个错误，就工程化一个解决方案让它永不重犯」；随后 OpenAI 分享三人团队用 Codex Harness 写了超百万行生产代码。三周内，「模型是 CPU，Harness 是操作系统」的类比迅速传遍行业。这篇综述的贡献在于，把 Harness 从工程经验提升为与模型优化并列的学术研究轴。

综述把「上下文腐化与窗口压力」列为长程失败三大原因之一。工程上应对的策略分两条路：一是裁剪（直接丢弃最早或最新的消息），二是摘要（将旧对话压缩成摘要后替换原文）。但问题的难点在于「压缩多少才合适」——压缩太多丢失关键语义，压缩太少 token 成本失控。OpenClaw 的「框架焦点机制」给出了一种新思路：不追求全局压缩率最大化，而是在每次交互节点上精准锚定当前任务最不可让渡的认知支点。这本质上是把上下文管理从「被动承载」转向「主动治理」。

综述在展望中强调「生产环境的安全边界主要落在 Harness，而非模型权重」。但 WAIC 2026 上已有安全厂商发出警告：智能体被劫持后，会拿你的权限去打整条供应链。Gartner 预测到 2026 年底 40% 的企业应用会集成 AI Agent——越多公司把权限交给 AI，暴露在「被劫持反咬」风险下的摊子就越大。网宿科技推出的 AI 安全网关在「身份管理、大模型护栏、Agent 行为审计」三层做纵深防御，但这也意味着：Harness 既是长程能力的「操作系统」，也是安全风险的「攻击面放大镜」。

综述将软件工程列为五类应用之首，但真正的拐点不在修 Bug，而在「从零造仓库」。人大高瓴发布的 DeNovoSWE 数据集首次把训练焦点从「局部修 bug」转向「仓库级从零生成」——要求智能体从一份需求文档起，完整搭建整个软件仓库。实验显示，基于该数据训练的 Qwen3-30B 在 BeyondSWE-Doc2Repo 上从 5.8% 提升到 47.2%。这指向一个关键信号：长程智能体的能力拐点，可能要从「能跑通测试」进化为「能交付可部署产物的完整开发链路」。

综述点出长程任务的核心困境之一：很多任务只在最后给出奖励信号，中间步骤的决策几乎无法归因。这恰恰是强化学习中「稀疏奖励」的经典难题——在 50×50 网格环境中，随机探索的智能体平均需要 2.3 万步才能首次获得奖励信号。真正的技术追问是：分层强化学习、内在好奇心模块、课程学习这些成熟方案，能否直接迁移到 LLM Agent 的长轨迹场景？CompactionRL 给出了一条路——用词元级损失归一化联合优化任务执行与摘要生成，但还有大量开放问题等待解决。