长任务要有交接物和终态

Goal 是可执行契约，必须写明 outcome、constraints、verification 并定义明确终态，否则本质上是无限循环。

长任务最常见的失败方式不是做错，是跑不完。上下文窗口迟早不够用，Agent 会忘记早期决策、偏离计划、重复已经被否定的路线。撑住它的不是更大的窗口，而是两样东西：写在文件里的交接物，和事先定义好的终态。缺少停止证明和资源上限的 Goal，本质上仍然是一个无限循环。

Goal 是一份可执行契约

合格的 Goal 写三件事：outcome（最终交付什么）、constraints（不能碰什么、预算多少）、verification（什么算完成）。写成"一直做下去直到完成"不是目标，是许愿。

三要素里最常被省略的是 constraints 和 verification。没有约束，Agent 会用一个你不会接受的手段达成目标——删掉测试让套件变绿，也是一种"完成"。没有验证方法，你和 Agent 对"完成"的理解会在中途分叉，等到交付时才发现。

完成只能由外部证据确认

完成判定要落在测试、可测指标、Diff、截图、外部状态或人工验收上，不能以模型自述"已完成"为依据。理由是结构性的：LLM 对 LLM 的生成物天然宽容。Anthropic 让 agent 自评工作质量时，它会"自信地夸自己"，即使人看来明显平庸；主观任务（设计）尤甚，连有可验证结果的任务，agent 的判断力也常常碍事 anthropic-long-running。

把做事的 agent 和评判的 agent 分开。分离本身不消除宽容，但调教一个独立的 evaluator 让它保持怀疑，比让 generator 批评自己可控得多。

四类终态，别让循环自己停

持续运行的系统必须有明确终态：blocked、needs-input、cancelled、budget-exhausted。触发它们的是 verifier 不可达、预算耗尽、权限不足、外部依赖永久失败。

区分 blocked 和失败重试很关键：blocked 意味着需要外部变化才能解除，所以它必须带着证据停下来，而不是在循环里空转烧预算。一个跑了两小时才发现缺少权限的任务，和一个跑了两分钟就报 blocked 的任务，差别只在有没有定义终态。

三件套撑住 25 小时

OpenAI 用 GPT-5.3-Codex 不间断跑了 25 小时、13M token、产出 3 万行代码，靠的是文件系统上的 durable project memory 三件套：plan.md 写里程碑、每个里程碑的验收命令和 stop-and-fix 规则（验证失败先修复再前进，禁止带病推进）；implement.md 是执行 runbook，约束 diff 规模并持续更新文档；documentation.md 是状态与决策的实时审计日志，让人离开几小时回来还能看懂发生了什么 openai-long-horizon。

Anthropic 用 16 个 agent 写 C 编译器时是同一个道理：靠 README 和 progress 文件帮 agent 定位自己在哪里。他们还发现 agent 有 time blindness——不知道一件事该花多久，会傻跑几个小时的测试。于是 harness 少打印进度（进度输出会诱导 agent 继续等），并提供 --fast 采样让它用小代价先探 anthropic-c-compiler。长任务的敌人不只是遗忘，还有不知道什么时候该停。

用一次空会话验交接物

交接物写得对不对，写它的人和帮它写的人都判断不了——两边都记得那几天的争论，每句话背后的来龙去脉在记忆里，不在文件里。判断方法反过来：开一个全新的会话，只给它那份文件，看它能不能接住。

做法是派三个互不相见的审阅者并行跑。一个复述这份设计想做什么、现在系统怎么运转；一个专挑漏洞，找漏掉的前提、没处理的边界；一个以「明天就要动手」的身份读，把它会问的问题全部列出来。第三个最有用——它问得出的每个问题，都是文档里的一个洞。

三个必须并行生成。串行编排会忍不住把第一个的发现粘进第二个的提示词里「给点上下文」，三个独立读者就变成一个读者加两个回声，而独立上下文是这个测试唯一的机制，污染了它就什么也测不出来。审阅者也不必客气：按方法提出者的经验，约三成的建议真正有价值（个案经验值，不是普适比例），这个比例已经够值回成本 aase-egm。

跑完改文档，再跑一轮，直到只剩措辞级意见，然后才轮到真人审。这个测试真正跑起来是有代价的——密歇根大学那门课自己的课程设计过了六轮、十八份报告，其中一轮抓出的矛盾是：设计里打算扣下两节课作为门禁测试，但十六节课全是必修且后课依赖前课，扣一节就连环断裂。坐在设计会话里的人没看出来，因为在场的人都知道原话是什么意思 aase-egm。

让 Agent 每轮都看见自己在哪

三件套解决跨会话恢复，单轮之内还得有一条状态栏。书里把五种做法做成可独立开关的实验项，其中两项带实测数字 ai-agent-book：

• 详细错误：四层内容——错误类型与描述、完整参数的 JSON、调用栈、针对性的修复建议（FileNotFoundError 就提示验证路径、检查工作目录、改用绝对路径）。错误场景下"找到替代方案"的成功率从 60% 升到 95%，行为从盲目重试变成先分析再动手。
• TODO 列表：每项带唯一 ID、状态和时间戳，充当外部记忆。启用后平均 15 次迭代完成任务，禁用要 21 次，且经常漏掉子任务。

另外三项各管一处。工具调用计数器把 "Tool call #3 for read_file" 写进上下文，让模型自己走完"第一次查路径、第二次列目录、第三次换方案"的节奏，顺带提供了隐式的成本感知。时间戳前缀加在用户消息和工具响应上，而不是系统提示词里——放错位置就把缓存砸了，分层加载与交接包 里有这笔账。系统状态感知里最要紧的是工作目录：Agent 执行 cd 之后必须自动更新，否则下一条命令落在错误的地方，而它完全不知道。

五条的共同点只有一个：把"我试了几次、现在在哪、还差什么"从模型的记忆换成上下文里看得见的事实。模型不擅长数自己的步数，很擅长读一个计数器。

分步推进与结构化交接

每次只推进一个或少量明确任务；会话结束前留下结构化交接，而不是一句"我做到哪了"；保持工作区可构建、可理解、可继续。

复杂变更走 proposal 到 design 到 tasks 三层渐进细化，每层独立审查并版本化：proposal 回答为什么做、做什么、验收标准，由产品或业务方审；design 回答怎么做、架构与接口设计，由开发负责人审；tasks 回答拆解、优先级和依赖，交给执行 Agent。上游变更时同步更新下游并记录影响范围，而不是直接改代码。Anthropic 的 AI-Native SDLC 把这条链叫 intent 到 spec 到 plan：每层产物版本化、人机均可读，作为阶段交接契约而不是一次性 prompt，全部进版本控制形成审计 trail。当瓶颈在人速步骤（计划、评审、交接）而不是代码生成时，工件链是压缩交接等待的主要手段 anthropic-sdlc。

逐轮摘要要像 git log，不像 git squash：每轮留一条独立的结构化记录，而不是把整段历史合并成一句。合并会丢掉"哪一轮放弃了什么"，而那恰好是下一步唯一用得上的信息。生产系统还会给全量压缩配一个连续失败熔断器——数据表明大量会话卡在反复压缩失败的循环里，熔断器拦住的不是错误，是在这些会话上持续烧钱 ai-agent-book。

漂移要浮出来，不能被吸收

实现到一半，发现要改一个文档没列出的文件。自然的、帮忙的做法是直接改。改十次之后，文档就不再描述这个系统，"唯一真相"变成虚构——而下一个接手的人读的正是那份虚构。

规则是停下来、记一条、给建议、等人决定，然后再动。触发条件有四个：要动文档没列出的文件、按文档写的方式做不成、需要新增文件、文档里有个假设是错的。不管意外大小，响应都是同一个。

处置的力度跟着意外的大小走：一句澄清就够的，就地改文档；动到一节的，按设计流程重写那一节；动到整体的，回去重新走一遍评审。验证失败也算漂移——脚本没过，循环从头开始。

这条和假修复是同一族失败，只是一个糊弄测试，一个糊弄文档。判据也一样：说不清"这次改动对应文档里哪一条"，就不该落笔。

耐久执行的四条硬规则

恢复靠重放，所以规则是围着"可重放"定的：

• 非确定性操作和副作用封装成独立 Task。
• Task 的输入输出必须可序列化。
• 可重试的 Task 必须幂等。
• 假设中断前的代码可能再次执行。

最后一条最反直觉。你不是在保存一个断点，而是在重放一段历史，所以必须假设中断点之前的代码还会跑一遍——中断点之前不能执行无保护的外部副作用。

取舍与检查：三件套和工件链都是有成本的，一次会话内能验证完的任务不该付。判据是跨不跨会话。三个问题自检：你的 Goal 写了 verification 吗？有没有明确的终态和预算上限？把进程 kill 掉再拉起来，它知道自己在哪吗？