长程Agent也能“倒带重来”！中科院自动化所联合提出运行时恢复框架AgentRewind

智猩猩AI整理

编辑：金水

长程 LLM Agent 在做仓库级工程、跨应用流程、多步骤实验时，一旦早期计划走偏，或中间删错文件、改坏配置，错误会沿着上下文和环境状态一路扩散，后续再怎么“修修补补”，也很难把局面扳回来。

现有工作多在事前下功夫，更好的规划、更严的安全检查、或失败后再开一轮并带上经验，真正发生在同一次执行中途的系统性恢复，几乎是空白。

为此，来自中国科学院大学、清华大学的研究者提出了 AgentRewind，一套面向长程 Agent 的运行时恢复框架。

当前轨迹难以推进时，Agent 可回退到更早检查点，同时恢复上下文与工作区，并把对失败尝试的总结（rewind memory）注入后继续执行。

在他们构建的长程工程基准 MettleBench（82 个任务、有序验收清单）上，以 GPT-5.4 为例，AgentRewind 将任务成功率从 Continue 的约 62% 提升到约 88%，平均清单进度从约 81% 提升到约 94%；

在多种 harness 与 Terminal-Bench 2.0 上也同样优于“硬继续”和“整任务重启”。

下面按框架设计、工程实现与实验，展开 AgentRewind 如何做到“可恢复的长程执行”。

• 论文题目：

  AgentRewind: Recoverable Execution for Long-Horizon LLM Agents

01

让长程 Agent 也能“倒带重来”

长时序任务中，早期决策失误会同时污染 Agent 的对话上下文与外部文件环境；全局重启虽能清场，却丢弃已完成工作，带来大量重复计算。

为同时缓解「状态污染」与「重启浪费」，本文设计并实现可恢复执行框架 AgentRewind。

框架以非侵入式运行时中间层的形式，部署在大模型智能体与受控外部环境之间，不改动原有 Agent 的推理逻辑与工具业务代码，只在决策与观察的通路上完成记录与恢复。

整体由三部分协同工作：

一、对齐检查点记录 ，分别记录 Agent 上下文与工作区环境变化，并成对保存为检查点；

二、检查点元数据管理，将历史轨迹整理为可供选择的回退候选；

三、回滚执行，恢复选定检查点上的上下文与环境，并注入回滚记忆后继续执行。

设计上对应三个核心目标。

第一，上下文与环境同步对齐，快照与恢复始终成对进行，避免只回滚一侧造成信息割裂。

第二，按 LLM 决策断点做局部回退，保留断点前已完成的有效工作，无需任务失败后全盘重置、从头再来。

第三，引入回滚记忆，在回到历史干净状态的同时，保留失败轨迹中的经验与教训，降低重复犯错的概率。

与之配套，本文同步构建长时序工程评测基准 MettleBench。

基准面向真实工程工单，为每项任务设置一组存在依赖关系的有序验收标准，既可判定任务是否最终完成，也可量化中间执行进度，为可恢复执行策略提供更贴近现实场景的评估手段。

02

工程设计

AgentRewind 以非侵入式中间层接入，不改 Agent 核心逻辑，只在两处挂钩采集数据：

第一是LLM 调用，拦截 OpenAI / LiteLLM 补全接口，记录请求、响应与 token 消耗；

第二是工具调用，封装工具执行，记录名称、入参、返回值及文件变更。

兼容 LangChain、LangGraph，可自动埋点。

（1）轨迹存储

轨迹按 JSONL 逐行存储，区分 LLM 事件与工具事件；每条带唯一 ID，并附带执行前后工作区的 Git 提交哈希，便于对齐上下文与文件状态。

工作区快照用任务外的独立裸 Git 仓库完成，不污染业务仓库。

每步 LLM / 工具执行后自动提交；回滚时对比目标快照与当前文件树，删除新增、还原修改、恢复删除。

（2）回滚完整执行流程

回滚时，Agent 先通过 backtrack_candidates 查看可回退的 LLM 断点，再调用 backtrack_commit 提交断点 ID 与失败总结。

Runner 捕获后恢复文件与上下文，注入历次失败记忆，并从断点继续；

断点前的调用一律走本地缓存回放，不重复调模型、不重复跑工具。

（3）能力边界

恢复范围只覆盖工作目录内的文件系统。网络请求、外部服务、进程内状态等无法撤销。

项目另提供轨迹可视化，支持导出Mermaid、JSON与离线HTML，便于对照原始路径与回滚分叉。

03

性能评估

（1）实验配置

实验统一采用 temperature=0.0 的贪心解码（Kimi K2.5 固定为 0.6），连续 5 次提交卡在同一验收标准即终止任务，不设步数与时长上限，以保证策略对比公平。

对比策略包括 Continue、Restart with Experiences、Safety Review（用 AgentDoG 在执行前拦截危险操作）以及本文的 AgentRewind。

主评测使用 MettleBench（82 个任务），并在 Terminal-Bench 2.0 上做泛化验证；

基线模型覆盖 GPT-5.4、GPT-5.4 mini、Qwen3.7-Max、Qwen3.5-27B、Kimi K2.5、DeepSeek-V4-Flash、GLM-5.1，框架通用性在 mini-SWE-agent、FnCallAgent、smolagents CodeAgent 上检验。

消融实验分别去掉环境回退、上下文回退与回滚记忆，以验证各模块作用；

另选取 50 条 Continue 策略下卡死终止的轨迹，从完全相同的失败起点对比 Continue 与 AgentRewind 的恢复能力。

（2）核心结果

在 Continue 基线下，七个模型的任务成功率约在 28.0%–73.2%，无一饱和；

Qwen3.7-Max 最高（成功率 73.2%、清单进度 84.8%），平均轨迹长度从约 50 到 300 余不等，更长并不意味着更好，而清单进度能区分“未完成但走得更远”的程度。

换到执行策略对比，GPT-5.4 上 AgentRewind 将成功率与清单进度提升至 87.8% / 94.3%，明显高于 Continue、Restart with Experiences和 Safety Review；GPT-5.4 mini 上同样是 AgentRewind 最高。

各策略早期都会上升，但 Continue 很快平台、Restart 波动较大、Safety Review 在强模型上甚至更差，而 AgentRewind 在基线平台后仍能继续抬升，且在中长程任务上相对最强基线的增益更明显。

收益不限于 MettleBench：在 Terminal-Bench 2.0 全量上，AgentRewind 的成功率与平均通过标准比例为 83.1% / 90.2%，优于 Continue 与 Restart；

在 mini-SWE-agent、FnCallAgent、CodeAgent 三种 harness 上，相对 Continue 的成功率提升分别约 +25.6、+23.2、+15.8 个百分点，说明主要来自运行时恢复能力本身。

从 50 条 Continue 卡死终点出发的成对恢复中，AgentRewind 的恢复率与进度提升（30.0%、+12.2 pp）也明显高于 Continue（8.0%、+5.1 pp）。

消融进一步表明，环境回退影响最大：后缀造成的文件污染若不回退，恢复很难。上下文不回退会留下错误结论干扰决策；没有 memory 容易重复失败路径。

04

总结

长程 Agent 真正难的，往往不是再多走几步，而是走偏之后回不了头。

AgentRewind 把「上下文 + 环境」对齐成检查点，在同一次执行里支持倒带，并带上失败里有用的记忆，从而少做无效重试、多保住已完成的工作。

开源实现以中间层方式接入，不绑死某一套 Agent 框架；代码与 MettleBench 均已公开。

若你也在做长程工具调用或仓库级工程 Agent，不妨看看这条「可恢复执行」的路子，按需接入、在真实任务里试一把回退。

关注+星标，获取AI前沿进展与优质开源项目