GPT-5.5 直接修 Bug，SWE-Bench Pro 上的准确率是 59%。

同一个模型，换了一个运行框架，准确率跳到了 78%。

这个运行框架叫 Argus，来自微软研究院和上海交大联合团队，8 月 5 日刚发布。它没有微调模型参数，没有换更强的 backbone——它做了一件更底层的事：给 Agent 装了一套公司治理结构。

过去两年，Agent 领域的主流思路是「让模型更强」。但 Argus 团队问了一个反直觉的问题：如果问题不在模型，而在模型之外呢？

你让一个 AI Agent 帮你重构 Spring Boot 项目。它改了一堆代码，跑到一半发现之前的方案行不通。怎么办？

普通 Agent 硬着头皮继续——上下文窗口已经被之前的操作填满，没地方记「这条路错了」，更没法把教训传给下一次任务。

长周期 Agent 的根本困境：没有组织记忆。

Argus 的方案听上去简单到荒谬——像开公司一样运营 Agent。

四张工牌：干活的和验收的，不是同一个人

Argus 把 Agent 拆成了四个角色。每个角色有不同的权限、不同的责任，只有自己那摊事能做。

Manager 掌握最终目标。不写代码，只守住最初的目的，决定什么时候该调头。

Planner 把目标拆成可执行的小任务。只规划，不执行。

Engineer 干活的人。关键约束：做完不能自己拍板说「好了」。

Reviewer 独立质检员。三种裁决权：「通过」「重做」「堵死了」。

这四个角色的分工解决了一个关键问题——做的人和验收的人，不能是同一个人。

你在公司里不会让程序员自己给自己 Code Review。但今天的 AI Agent，绝大多数都是「自己检查自己」——模型先写代码，然后模型自己判断写得对不对。短任务勉强能混，长任务一拉就崩。

Argus 把这条线划死了。

731 次 SWE-Bench Pro 任务中，466 次（63.7%）调用了独立的 Reviewer。43 个任务被 Reviewer 打回去重做，其中 34 个最终通过了外部验证器，22 个走完了「重做→再审查→通过」的完整回路。换算一下：每 100 个被 Reviewer 拦截的任务里，79% 是真的有问题的，不是 Reviewer 过于严格。

还有 35 个任务被直接标记为「阻塞」——Reviewer 认为在当前条件下不可能完成。

这是一个很少有人谈的问题：一个好的 Agent 系统，应该知道什么时候该说「我做不到」。 承认阻塞比瞎编一个结果有价值得多——Argus 在这一点上的诚实，本身就是工程上的进步。

跑了 731 个任务后，Token 自己省了 21%

Argus 最颠覆认知的数据在这——

成熟期（第 19-22 波任务）相比启动期（第 1-6 波），Token 消耗下降 21%，运行时间下降 15%。

模型权重没变。GPT-5.5 还是那个 GPT-5.5。变的是「公司知识库」。

跑过的代码库结构被存下来了，成功的修复模式被存下来了，验证过的死胡同被标记了「勿入」，哪些任务需要调用 Reviewer、哪些可以让 Engineer 自己检查——这些路由决策也被记录和优化了。

这就像老员工比新人效率高，不是因为智商更高，而是因为「这个坑不用再踩一次」。

Argus 管这个过程叫「验证门控的运行时自进化」。翻译成大白话：经验只有经过 Review 确认有效，才能变成可复用的知识。

不是每次执行都会产生可复用的经验。有些任务是死胡同，跑了也是白跑。有些输出被 Reviewer 驳回，自然也进不了知识库。只有那些「被验证过的有效状态更新」才会进入持久存储。

这个设计的反向约束同样重要——不进知识库的东西，不会污染下一次任务。

常规 Agent 的上下文窗口像个越来越长的聊天记录。前面犯的错、走的弯路、无效的尝试，全堆在里面。模型要从垃圾堆里翻出有价值的信息，Token 越烧越多，效果却越来越差。

Argus 的解决方案很直接：每次任务给干净的上下文窗口，需要的背景知识从持久化知识库按需读取。知识库里的东西都是审核过的，不会被无效信息污染。每一轮模型调用都是「干净的起点 + 精选的背景」。

这框架不只写代码，它还造了芯片

如果 SWE-Bench Pro 只证明 Argus 能写代码，那下面这些数据说明它是一个通用研究引擎。

芯片设计：Argus 独立完成了推理加速芯片 ACE-2 的 RTL 设计、验证环境搭建、综合和静态时序分析，能端到端跑 Qwen2.5-0.5B。人类没有参与一行 RTL。

材料科学：Argus 发现已发表 MOF 论文的评分函数是错的——实际主要失败模式不是原子重叠而是不充分配位。它设计了新评分函数（AUC 0.594→0.833），然后进一步发现论文改进效果其实来自积分器切换。最终用更简单的 best-of-K 方法超越了已发表的复杂方法。

论文生产：六条完整的论文流水线，涵盖评估可靠性、视觉-语言匹配、测试时自适应、GUI Agent、多模态幻觉、模型量化六个方向。总计 640 个 campaign 小时，254 次 bounded mission，576 次 Engineer 执行轮次，286 次 Reviewer 修订，16 次 Stage 回滚。六个项目全部走到终稿提交阶段。

Kaggle 竞赛：MLE-Bench Lite 上拿到 9 块奖牌，3 金 3 银 3 铜。

开源贡献：Argus 优化的 TileLang RWKV6 内核，被 Moonshot AI 的 Flash Linear Attention 仓库合并进了主线。

同一套 Manager-Planner-Engineer-Reviewer 机制，不改一行架构代码，在软件工程、芯片设计、材料科学、数学证明四个完全不同的领域都能产出有价值的成果。

你现在就能做的三件事

Argus 的意义不在技术本身。它在揭示一个被忽视的方向——

过去两年所有人都在卷模型能力，但 Agent 的瓶颈可能不在模型，在「组织」。 一个 100 人的公司如果管理混乱，换更强的员工没用。Agent 系统如果执行和审核不分家、任务之间不共享知识、失败经验不沉淀——换更强的模型也只是多烧 Token。

这个思路不需要出一个开源框架才能用。你现在就能做三件事：

第一，把「做」和「审」分开。 用两个独立调用的模型，上下文完全隔离。审核模型只看产出物和验证标准，不允许自审自过。

第二，建一个「已验证经验库」。 走通的路和走不通的路都记下来。重点是「为什么这条路走不通」——这个比成功方案更值钱。下次执行新任务，先从经验库读相关内容。

第三，给 Agent 定一个「我做不到」的出口。 设定明确的阻塞条件（连续 3 次 Review 不通过、关键依赖缺失），让 Agent 主动报阻塞而非瞎编。承认跑不通，比硬跑出一个错的结果对你的信任伤害小得多。

---

Microsoft Research × Shanghai Jiao Tong University. Argus: A General-Purpose Agentic Runtime for Long-Horizon Reasoning. arXiv:2608.05144, August 2026.

---

本文首发于「圈圈的AI工程笔记」