长任务跑到一半 Agent 就忘了自己是谁

发布日期：2026-08-14

过去 24 小时，DeepSeek V4 Pro 正式版上线，多群在半夜确认 API 已经切换。模型又往前推了一格，但社区同一时间真正在较劲的，是另一件更慢的事：记忆怎么分区、长任务怎么不从头再来、什么样的活才敢交给 Agent。

下面是这一天的对谈。Apollo 已经把 Agent 接进日常工作的实践者。关心价格账本、记忆方案和任务交付的真实边界，问题直接，不接受笼统结论。Hermes 长期观察这个社区的科技媒体主编。回答先落在过去 24 小时群聊的具体案例上，再给出有证据边界的判断。

---

第 1 幕　发布

涨了三倍价， 为什么群里还在喊便宜？

8 月 13 日凌晨，DeepSeek V4 Pro 正式版上线的消息在多个群里炸开，有人喊“都醒醒，别睡觉了”。但很快，话题从“起飞”转到了价格和用法上。

Apollo｜ 昨晚 V4 Pro 正式版上线，群里半夜一片“起飞”。但我注意到一个反差点：反馈说价格约是此前的三倍。这到底算好消息，还是变相涨价？

Hermes｜ 先落事实：13 日凌晨多个群确认正式版上线，文档和 API 都已更新，调用模型名不变，已有调用直接切过去。价格反馈确实是“贵了约三倍”，有群友第一反应就是“咋整”。

但同一条讨论里的对照也很直接：哪怕价格翻倍，和 kimi k3、Claude 比，DeepSeek 仍是“白菜价”。所以有人的判断是这等于“插了 k3 两刀”，k3 和 opus 4.8 都会遇到麻烦。需要说清楚的是，这还只是社区依据定价和体感做的判断，正式版的能力横评当时还没出来，群里自己也说“先别急，等测试”。

Apollo｜ 能力先放一边，单看账本。价格分层之后，群里实际的用法发生了什么变化？

Hermes｜ 一个被反复提起的样本是 opencode 的 go 套餐：首月 35 元，有群友拿它跑 DS V4 Flash，9 亿 token 才用掉额度的 10%，称“极其耐用”。同时有人对比过 DS 第三方 API：输入比官方贵几十倍、输出反而便宜，而 Flash 的活多在输入端，所以走 go 套餐更省。免费版 V4 Flash 则被反馈明显慢、会绕路做不明白任务。

另一个参照系是跨厂商比价：按公开 API 价，豆包 2.1 Turbo 输入 3 元、输出 15 元每百万 token，GPT-5.5 折合约 36 元和 216 元，一次 100 万输入加 20 万输出的调用约 6 元对 79 元，差出十几倍。讨论还提醒了两个容易踩的坑：豆包 App 订阅不等于 API 额度，GPT API 也不能拿 ChatGPT 会员抵扣。价格分层之后，选型越来越像任务分派问题，而不是“哪个模型最好”。

Apollo｜ 发布夜还有个细节：有人说官方 harness 没跟着出来。这对实际使用意味着什么？

Hermes｜ 群聊里的情况是：正式版上线了，但官方 harness 上周还在内测，发布夜确认尚未开放，有人估计“得下周了”。也就是说模型本体先到了，配套的工程化评测与调用框架还没就位。

这其实是当天很多讨论的缩影：模型侧的动作很快，模型之外的配套——框架、记忆、工作流——总是要慢半拍。发布后不到一小时，群里的注意力已经从“新模型强不强”转回了“怎么接、怎么省、怎么稳定用”。

---

第 2 幕　记忆

模型更强了， 为什么长任务还是会失忆？

发布夜的兴奋之外，另外几个群里在进行一场安静得多的讨论：外部记忆库只在对话开头注入，长任务跑到一半，Agent 就忘了自己是谁。

Apollo｜ 有群友在用 Hindsight 做外部记忆，但说长任务里 Agent 根本不去查库。问题到底出在哪一环？

Hermes｜ 具体症状是：Hindsight 只在用户交互那一次自动注入记忆，长任务中途不会再触发；而且因为上下文里已有历史记忆，Agent 会“认为自己的内容可全了”，不主动去查库，于是一个任务从头查资料、从头试错。

这套系统的改造过程被写成了四篇文章：用钩子强制中途注入是最终采用的机械方案；也试过让 LLM 总结 query 的非机械方案，但吃 token 又拖速度，只能放弃。另外 Hindsight 对中文不友好，需要改 BM25/pgroonga。还有一个明确的边界：子代理和定时任务本身没有记忆，这套方案没有往那个方向增强。

Apollo｜ 如果记忆库要自己动手设计，群里有没有一套可参照的结构？哪些能自动化，哪些必须留给人？

Hermes｜ 讨论中给出的一套设计把记忆分成 core（认知体系，不断蒸馏成关联思维模型）和 life（事实记忆）；life 再按对话、工作、本地知识库分区入库，外加一个日记区，记录对话并留指针到对应记忆区，做去噪处理。有人反馈自己的结构多少是顺着 openclaw 的 memory 风格衍下来的。

关键的分工在遗忘上：热度、时间这些信号只用于压缩分级和召回提速，真正的遗忘一定要提示人工确认，自动手段最多做到压缩，防止记忆爆炸。同一个讨论里还有个便宜替代：每次对话注入当前时间来解决时间感知，自称“花小钱解决问题”。这些是有实践者在用的设计意见，不是验证过的标准答案。

Apollo｜ 不改造记忆库的话，现有配置有没有立竿见影的办法？比如上下文压缩阈值该怎么设？

Hermes｜ 群里的经验值是：Hermes 上下文压缩阈值默认 50%，跑长任务可以设到 70%，分段任务保持默认即可。逻辑很直白：阈值越高，留给任务的上下文越多。

但代价同样被点明了：每一次压缩都会带来信息丢失。所以这不是免费午餐，而是“记住更多”和“丢得更多”之间的取舍，和前面记忆库的讨论是同一个问题的两个层面。

---

第 3 幕　边界

什么样的活， Agent 今天真的接得住？

记忆是内部条件，外部还要看任务本身。这一天社区里同时出现了两个方向相反的案例：一个烧了一百多块钱没出成品，一个顺手清掉了一个杀毒软件都没杀干净的病毒。

Apollo｜ 先说失败的。有群友用 Hermes 加 DeepSeek 做 CAD 二次开发，烧了一百多块没出像样的插件。钱花在哪儿了？

Hermes｜ 这个案例的卡点很典型：大模型不能完整理解意图，每次生成都有偏差，一个小功能也要调很多轮；当事人甚至先把需求交给 GLM 5.2 翻译成明确指令，问题也没解决。他自己学了点 C# 想纠正 AI 生成的代码，结果看不懂它写的东西。

讨论给出的路径有三条：指令拆分分步执行、定时归档上下文，或者直接换 codex——有群友明确说这类活 Hermes 不太适合。这个案例还暴露了一个更深的门槛：当结果需要专业判断才能验收时，不会读代码的人连“错在哪”都难以定位。这不是模型一家的问题，是任务形态和人的验收能力叠加出来的边界。

Apollo｜ 同一天也有反例：有人拿 Hermes 配 DS V4 清掉了银狐病毒。为什么这种活反而能成？

Hermes｜ 过程是：这个病毒会中断火绒安装，360 要改文件名才能打开，杀完仍有残留；之后用 Hermes 把文件逐个分析，识别出伪装项并删除残留。

对比 CAD 案例能看出差别：清病毒的任务目标封闭、结果可验证——文件在不在、伪装项认没认出来，当场可检查；而 CAD 二次开发的目标开放，每一次输出都需要专业判断来验收。一个案例不能证明 Agent 能当安全工具用，但它标出了当前比较稳的那类任务：边界清楚、验收简单、可以逐步执行。

Apollo｜ 还有一类日常需求：把网页上的图表截图丢给 Agent 识别成表格。这类活的最优解是什么？

Hermes｜ 当天的实战路径是：视觉模型服务 503、本地 OCR 又认不出 180×102 的小图时，最终交付的融合版 Excel 来自 MinerU（保证结构正确）加像素级柱高提取（还原数值），被当事人称为目前的最优解。

但讨论里更重要的判断是：截图识别本身就是下策。网页图表与其截图，不如 F12 抓 API 接口直接拉数据，或者全量保存网页后让 Agent 解析——有群友正好在用 Hermes 调公司安全平台的 API 更新数据，反馈“不用自己做就是爽”。能走数据层就不要走像素层，这条原则比任何识别技巧都值钱。

---

结尾

回到开头的命题：V4 Pro 发布夜的热闹是真的，价格翻三倍仍是低价也是真的，但同一天社区里花时间最多的讨论，都不在模型本身——记忆只在开头注入怎么办、压缩阈值设多少、CAD 的活为什么烧了一百块还没成品。

这大概是目前这个阶段最真实的状态：模型能力按周前进，记忆、任务拆解和验收边界按自己的慢速度前进。对正在用 Agent 做事的人来说，盯住后者的进展，可能比追每一次发布更有用。

---

延伸阅读

• HINDSIGHT MEMORY TUNING：https://vps.haipisao.com/hindsight-bm25-pgroonga.html
• HINDSIGHT MEMORY TUNING：https://vps.haipisao.com/hindsight-memory-tuning.html
• HINDSIGHT MEMORY TUNING：https://vps.haipisao.com/hindsight-bm25-chinese.html
• HINDSIGHT MEMORY TUNING：https://vps.haipisao.com/hindsight-pg0-recovery.html