2026年自主智能体（Autonomous Agent）的能力前沿已经不在"模型多聪明"，而在"能持续连贯多久"。Sequoia Capital 2026年的研判把话说得很直白：能稳定完成8小时工作日任务（到2026年底）和40小时工作周任务（到2028年）的自主体，就是知识工作"AGI"的事实门槛。但生产数据暴露出一条残酷的"35分钟墙"——自主体在人类时间等价约35分钟后成功率开始跳水，且任务时长翻倍，失败率不是翻倍而是翻四倍，呈非线性复利式坍塌。本轮把长程任务拆解这一核心能力，架在五条主流栈上做实测对比：ReAct、Plan-and-Execute、ReWOO、Reflexion、以及层次化分解（CORPGEN/MiRA/Goal2Skill）。结论先行——拆得太碎反而失焦，拆得不分层照样崩，真正的护城河是"时间尺度分离 + DAG局部重算 + 闭环验证"三件套。
| 栈 / 模式 | 何时规划 | 单任务LLM调用 | 失败应对 | 长程适配 | 主要代价 |
|---|---|---|---|---|---|
| ReAct | 逐步（边想边做） | 每步1次 | 即时适应 | ★☆☆☆☆ | token烧钱、推理碎片 |
| Plan-and-Execute | 前置全量规划 | 规划1 + 执行N | 失败重规划 | ★★★☆☆ | 重规划复杂度、刚性 |
| ReWOO | 前置占位符规划 | 仅2次 | 工具结果意外即崩 | ★★★☆☆ | 脆性高、无观察闭环 |
| Reflexion | 逐步 + 自我批评 | N × 重试次数 | 自批评后整轮重跑 | ★★★☆☆ | 延迟爆炸、重跑成本 |
| 层次化分解 | 战略/战术/操作三层 | 分层、子图隔离 | DAG节点局部重算 | ★★★★★ | 架构与工程复杂度 |
flowchart TB
subgraph 时间尺度分离
S[战略层 月/周级目标]
T[战术层 日级任务 优先级排序]
O[操作层 每周期 单次工具调用]
S --> T --> O
end
O --> V{验证后置条件}
V -->|满足| ADV[推进下一DAG节点]
V -->|不满足| RE[局部重算仅当前节点]
RE --> O
ADV --> DONE[完成 / 写入结构化记忆]
T -.失败影响隔离.-> RE
S -.不重算.-> ADV
ReAct（Reason + Act）是所有单智能体的默认底盘：思考下一步 → 调工具 → 读结果 → 重复，直到完成或放弃。它最大的优点是探索友好——没有前置承诺，模型可以边走边看，适合需求模糊、环境动态的任务。但放在长程场景下它立刻现原形：每一步都触发一次完整的LLM推理，30步的链条就是30次调用，token开销随链长线性甚至超线性增长。
更致命的是上下文退化。实测数据表明，25–30次工具调用后，即使是200K token的窗口也会出现连贯性问题——模型开始忘记早期结果、重复执行已完成步骤、对"我到底做到哪了"产生自相矛盾的判断。上下文里堆积的"推理残渣"（中间状态、被放弃的分支、工具输出噪声）稀释了有效信号。变现层面，ReAct几乎不能直接包装成长程产品训练营，它的教学价值在于"反例"——用来演示为什么裸跑会崩。适用场景严格收敛在10步以内的探索性问答和快速原型。
Plan-and-Execute把动作拆成两段：先用主模型一次性产出完整计划（步骤列表），再用更便宜的模型顺序执行，失败时触发重规划。它的杀手锏是可检查性——计划在执行前就能被人审阅、改写、拒绝，这对合规场景和企业落地至关重要。LLM调用数显著低于ReAct（计划1次 + 执行N次，且执行可用小模型），成本曲线更平。
代价是刚性与重规划复杂度。当第3步因为环境变化而失败时，系统要决定：只重算第3步，还是从第3步开始整体重规划？前者风险是后续步骤依赖被破坏的假设，后者代价是计算量回弹。安全研究（arXiv 2509.08646《Archuring Resilient LLM Agents》）专门指出，Plan-then-Execute架构的脆弱点在于计划注入与提示污染——攻击者或上游噪声污染计划文本后，执行阶段会忠实地执行被污染的指令，因为它缺乏运行时校验。代码骨架上，关键是把plan、execute_step、should_replan三个函数显式拆开并加可观测埋点。
ReWOO（Reasoning Without Observation）是token效率冠军：整个流程只需2次LLM调用——第一次带占位符产出完整计划，第二次在所有工具并行返回后做综合。相对ReAct宣称有约5倍token效率。对I/O密集、步骤间独立的任务（如多源数据汇总、并行检索）它是性价比之选。
但它的脆性写在名字里："without observation"。计划阶段完全凭模型对工具结果的预判，一旦某工具返回意外值（API格式变了、查询为空、数值越界），整个占位链条就断了，且没有中途修正机制。这使ReWOO在长程、高不确定性场景下几乎不可用——35分钟墙的"非线性坍塌"在它身上体现得最明显，因为一次意外会把后续全部带偏。变现上，ReWOO适合包装成"批量检索/聚合"类轻量工具，而非端到端长程自主体。
Reflexion在每轮尝试后让智能体批评自己的输出，把批评写进记忆再重试，直到通过或耗尽预算。它在代码生成类任务上效果显著——HumanEval通过率从约80%提升到91%，证明"自我批评"确实能修正特定错误模式。
但它的成本结构是每次重试都是一整轮完整运行。在一个50步的长程任务里，哪怕只重试3次，计算量就膨胀到接近200步等价工作量，延迟同步爆炸。Reflexion解决的是"质量"而非"连贯"，它能让单步更对，却无法阻止上下文在长链中退化——25次工具调用的墙它一样撞。训练营角度，Reflexion是最佳教学范式：用一个能看到"反思前/反思后"对比的演示，能很直观地讲清"自评价回路"这个概念，适合做成2–3天的自主体工作坊核心模块。
这是2026年长程自主体真正的解法方向。微软CORPGEN（arXiv 2602.14229，2026年2月）模拟数字员工，把规划切成三层时间尺度：战略目标（月级，极少更新）→ 战术计划（日级，带优先级，每会话更新）→ 操作动作（每周期，单次工具调用，依据当前状态与检索到的记忆）。核心洞察是"不要混淆规划范围"——模型在做一个操作级决策时，不该重新推导战略意图，而是检索战术上下文、在约束内行动。
实测效果：在100%负载下任务完成率从单体的4.3%提升到15.2%，3.5倍提升。它还通过隔离子智能体处理复杂子操作（如web研究），实现了规划层的沙箱，避免跨任务上下文污染。记忆设计同样务实：当上下文超过4000 token时，"关键内容"（工具调用、状态变更）逐字保留，"常规内容"（中间推理）压缩成结构化摘要。变现潜力最高——可直接包装成"企业级长程智能体架构"训练营，面向架构师和平台团队。
Goal2Skill（arXiv 2604.13942，2026年4月）把验证做成"一等公民"，将长程任务重述为计划 → 执行 → 验证 → 修正/继续的闭环：高层规划器在每步执行后显式评估是否达成后置条件，未达成就触发错误驱动修正。在RMBench上达到32.4%成功率（基线仅9.8%），记忆密集任务上38.7% vs 9.0%。消融实验揭示：结构化记忆贡献了记忆敏感任务的大部分增益，而带反思的显式验证驱动了失败高发任务的鲁棒性。
MiRA（arXiv 2603.19685）则从训练侧下手：用密集的"里程碑奖励"替代仅在任务完成时给的稀疏奖励，把任务拆成子目标的DAG，规划与重规划都局限在活动节点——一个子目标的局部失败不会触发全局重规划，只重算受影响的DAG节点。这正是对抗"翻倍即四倍坍塌"的关键：把错误的影响半径压到局部。代码落地层面，关键是用一个显式的verify(post_condition)门控每个执行节点，并通过DAG邻接表追踪依赖，决定重算范围。
值得单独拎出来的是，所有五栈的失败最终归结为两条机理不同的根因，需要不同的缓解：
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。