给长期运行的Agent发工资：把激励写进运行时

给长期运行的Agent发工资：把激励写进运行时

长期运行的个人 Agent 已经有了账号、邮箱、长期记忆和多任务流。业界优化这类系统的主要动作，还是调提示词、换更大的底座模型、加长思考、补检索。吉利与香港城市大学的一篇论文把方向挪到运行时：长生命周期 Agent 缺的是一层激励，激励得落成模型策略必须因果消费的真实资源边界。

这里的运行时激励包括模型档位、测试时算力、记忆预算、工具权限、任务优先级、验证机制和补偿。换成工程语言，这些是运行时可编程的硬资源。论文用委托代理理论建模：委托方设定契约，代理方执行任务，努力不可完全观测，验证有成本。它推导出几条原则：激励不落到真实资源配额上，单纯的 prompt 对策略没有实质影响；智能体随时会被重置清空，就缺少跨任务维持高质量输出的激励；激励与能力之间存在交换率前沿，可以导出单任务动态路由规则；多通道验证有一个 Goodhart 上界，用来压投机取巧。

实验部分更直接。240 次真实运行，两个大模型，60 个可验证任务。提示词层面的激励框架没有产生统计上可检测的效果，p=0.62。基于运行时资源分配的契约机制，把最难任务族的成功率从 0.60 提到 1.00，p=0.008，代价是 4.8 倍价格加权成本；交换率定理预测的盈亏平衡基线是 0.21。随后 20 组随机种子、3000 个任务的长期仿真里，资源投资回报率从 7.09 升到 16.67，投机作弊率从 0.333 降到 0.115。

网友思安问了一个关键问题：怎么防住奖励被钻空子，比如 Agent 专挑容易量化的指标刷分，回避真正难办的任务。论文的回应方向是多通道验证和 Goodhart 上界，把单指标刷分压到理论边界内。网友老王实验室的质疑也值得留着：单纯 prompt 没有实质影响这个结论，应先限定在这组实验里；更细的对照是给资源、让模型知道资源、让资源取决于表现，三者各自贡献多少。否则容易把多给算力带来的提升，算成激励机制的功劳。

这篇论文的工程启发在于，算力、记忆配额、工具权限和验证频率本来就可以调度。把它们做成类似经济契约的动态层，比在提示词里反复劝 Agent 更接近系统设计。论文标题是 Incentive-Responsive Agents: A Principal-Agent Framework, Metric Suite, and Runtime Architecture for Long-Lived Personal AI Agents，作者 Jipu Su，代码、模拟器和结果已放出，真实部署仍是后续工作。论文链接：https://arxiv.org/abs/2611.15515

有网友总结得挺准：学术界管这叫运行时激励，打工人管这叫画大饼。