LongHarness 提出显式证据结论协同机制，在百万 token 语料上显著提升 Agent 推理准确率

该论文提出 LongHarness，一种模型无关的代理框架，旨在解决超过上下文窗口的语料库级长上下文推理问题。其核心机制“证据 - 结论协同演化”利用未解决的结论引导探索缺失信息，同时新获取的证据强化或修正指导搜索的结论，从而避免隐式状态管理导致的无限探索和证据漂移。框架还结合“证据生命周期管理”，确保累积证据在整个交互过程中保持最新且可追溯。

实验数据显示，在 OfficeQA Pro V1 和 V2、AA-LCR 及 LongBench v2 基准上，使用 GLM-5.3-Flash 作为骨干模型时，LongHarness 将精确匹配率从直接推理的 15.8% 提升至 60.2%（V1），从 4.4% 提升至 61.1%（V2）。相比现有的最先进代理框架，它在 V1 上超越 Claude Code 12.0 个百分点，在 V2 上超越 Codex 18.9 个百分点。使用 Qwen3.8-Flash 时，其在 V1 上达到 61.7%，同样优于 Claude Code 和 Codex。

事实层面，该研究验证了显式状态管理在长文本推理中的有效性，具体表现为特定基准上的准确率大幅提升。推断层面，这种机制可能成为未来构建处理企业级文档库或法律卷宗等超长语料 Agent 的标准范式，减少对单纯扩大上下文窗口算力的依赖。猜测层面，若该框架能适配更多非 Flash 类模型并优化推理延迟，其商业落地潜力将显著增加，但目前尚需观察其在实时交互场景下的表现。