帮写PPT、核对发票、搞科研,港大/理大InfiAgent V3开源:靠“外置记忆”实现长跑,比对话框更务实的“全流程数字员工”.

在 InfiAgent 官方发布的几个视频里，我看到的不是一个对话框，而是一条“自动化知识生产线”。 为了讲清楚它的能力，我把视频里的三个地狱级任务拆开了讲，这部分内容可能会比较长，建议大家结合论文里的 $S_t = F_t$ 公式（即状态 St 等于文件系统 Ft）来理解。

1. 场景一：54页深度行业报告的“工业化生长”

视频展示了一个任务代号为 assignment_test.pdf 的生成全过程。 用户给出的指令很简单：“调研中国电动汽车（EV）行业战略。” （PS：这种任务如果交给传统的 RAG Agent，大概率会因为搜到的资料太多，把上下文塞爆，最后给你出一个 500 字的口水话摘要。）

但是在 InfiAgent 的视频里，我们可以看到一个极其有序的过程：

• • 大纲初始化（Thinking 阶段）

视频中，Alpha Agent（顶层编排者） 启动后，右侧的文件浏览器里迅速出现了一个 report_1/ 文件夹。紧接着，一个名为 outline.md 的文件被创建。 你可以清晰地看到大纲的逻辑：它并没有急着去写第一章，而是利用一个专门的 Creative Director Prompt，把任务拆成了 PESTEL 分析、波特五力模型、SWOT 态势分析等专业框架。这种“先筑基、后填肉”的做法，是它能写出 50 页以上内容的前提。

• • 海量资料的“外部索引”

视频展示了 Data Collection Agent 在后台的操作。你可以看到 papers/ 目录下文件数量激增，几十份各家车企的年报、产业白皮书被自动下载。 这里最硬核的技术点在于：模型并没有把这些 PDF 全都 load 进 Prompt。视频中展示了模型调用了 answer_from_pdf 工具。 这就像是它派出了几十个“小秘书”，每个小秘书负责读一张纸，然后把关键数据（如比亚迪 2024 年的毛利、工信部的最新补贴标准）汇总到一个 market_data.csv 里。

• • 自动化的图表生产线

视频中有一段非常精彩的“自愈”过程。 Coder Agent 写了一段绘图代码，但在第一次运行时，因为本地 Docker 环境缺少某个字体库导致报错（Validation Failure）。 以往的 Agent 可能会卡在“对不起，我遇到了错误”的套娃里。但视频显示，InfiAgent 去读取了磁盘上的 validation_logs，识别出是环境问题，于是它自动修改了绘图代码的依赖逻辑，避开了那个报错点。 最终，你在 PDF 里看到了精美的折线对比图。

• • LaTeX 级长文档排版

最终的 54 页 PDF。它包含了完整的目录跳转、严谨的引用列表（引用的文献都在磁盘里的 references.bib 有对应）。 （这种把“记忆”下放到“文件系统”而不是“大脑窗口”的做法，让它在处理长篇大论时展现出了极高的稳定性。）

(图：对应论文 Figure 2。这种 54 页报告的高分产出，正是基于它在理解力、指令遵循和可读性维度上的高分表现。)

2. 场景二：算法研究员的“自愈”仿真实验

在另一个 Demo 视频中，InfiAgent 挑战了一个更硬核的活：对比 A* 算法与 Dijkstra 算法在不同复杂网格环境下的表现。文件名为 mia_test.pdf。

这个任务需要 Agent 具备真正的闭环科研能力：

• • 写代码：写出寻路算法的模拟脚本。
• • 跑仿真：在本地环境运行，得出耗时、路径长度、节点访问数等原始数据。
• • 分析并回溯：如果数据不合理，需要重新调参。

视频里展示了一个细节：当 Agent 发现网格密度设为 1000 时，代码运行直接崩溃（Memory Overflow）。 此时，终端显示模型进入了 Thinking 模块的 10 步策略检查：它对比了“当前文件系统状态”与“上一步动作”。它意识到是因为内存溢出。 于是，它在磁盘上直接编辑了 experiment_plan.md，将网格密度下调至合适的量程，重新运行。

最终生成的这篇 LaTeX 论文，盲测质量达到了能参加 EI/IEEE 会议的水平。 这对于算法研究员来说，这种能帮你跑实验、改 Bug、出图、写论文的“外骨骼”，简直是降本增效的神器。

3. 场景三：80 篇顶刊论文的“地狱级”文献综述

这是论文里最核心的实验，也是视频里展示得最淡定的能力。 面对 80 篇 PDF 论文，一般的 Agent 看到第 5 篇就该“Lost in the Middle”（中间迷失）了。

底层逻辑拆解： InfiAgent 启动了 External Attention Pipeline（外部注意力流水线）。 在视频里，你能看到主 Agent（Alpha 层）完全不碰 PDF。它只是发号施令：“查一下这篇论文对 Transformer 效率的改进。” 具体的 PDF 读取是由底层的 Atomic Agent 在隔离的子进程里完成的。

这种“大脑只管逻辑决策，硬盘和工具管原始记忆”的做法，让它的任务覆盖率（Coverage）保持了恐怖的稳定性。论文 Table 1 的数据显示，开启文件中心化状态后，平均覆盖率从 Baseline 的 3.2% 提升到了 67.1%。

(图：论文 Table 1。展示了 InfiAgent 在长程任务中的碾压级可靠性。)

二、 论文底层架构分析：为什么它“不会累”？

如果你想在新春佳节期间研究下这套 Infra，咱们得跳出视频，深入 Section 3 和 Section 4 那些硬核的架构逻辑里。

1. 数学底座：$S_t = F_t$（文件即状态）

这是论文里最清醒的一个洞察：LLM Agent 的状态不应该是 Prompt 里的对话记录。 传统 Agent 把对话历史、中间计划、工具输出全塞在 Prompt 里。 这就好比你做数学题，不买草稿纸，全靠脑子记。题一难，脑子就烧了。

InfiAgent 的方案是： 它将状态显式定义为文件系统 $F_t$。

• • 计划在 plan.md。
• • 对话记录在 conversations/ 下的 JSONL。
• • 代码在 script.py。

每走一步决策，模型执行一次 Workspace State Snapshot（快照），它只读最新的状态概览。 这种 Zero Context Compression（零上下文压缩） 策略，确保了推理上下文始终是 Bounded（有界的）。 （这种 $O(1)$ 复杂度的 bounded context，才是让智能体走向“工业化生产”的正确 Infra。）

(图：论文 Figure 1。展示了文件中心化架构的拓扑。左侧是多级智能体，右侧是与其平行的文件系统层。)

2. MLA 层级体系：Agent-as-a-Tool

InfiAgent 建立了一套严密的递归 DAG（有向无环图）层级：

• • Level 3 (Alpha Agent)：大脑。负责大目标的拆解。它只负责指挥。
• • Level 2 (Domain Agents)：专家团。负责具体的 Workflow（如 Coder、Data Collector）。
• • Level 1 (Atomic Agents)：双手。只负责执行原子化操作（如搜索、读写文件、运行 Python）。

上级把下级当成“工具”来调用。 这种设计理念有效防止了工具调用的“混沌熵增”。如果底层报错了，错误信息会被隔离在子分支的文件里，不会像平铺架构那样干扰到 Alpha Agent 的全局逻辑判断。

3. 10步 Thinking 策略

这是一个非常务实的设计。 框架内置了一个独立的 Thinking 模块。 每走 10 步，它会自动更新一次“文件空间状态”。 它会问自己：这 10 步我干了啥？目标达成了多少？下一步的核心矛盾在哪？ 这种周期性的“自我对账”，极大地缓解了模型在长程任务中的迷失感。

(图：论文 Figure 3。展示了 20B 规模的开源模型在 InfiAgent 架构下，如何在效率/性能前沿线上超越了部分千亿级商业 Baseline。)

我们要聊 Agent，如果不提当下最火的 Claude Code 或者正在尝试 Computer Use 闭环的 OpenClaw（其作者最近加入 OpenAI 并表示将持续维护开源版本），那消息就太闭塞了。

2026 年初，Agent 的竞争已经从“看谁模型大”变成了“看谁架构稳”。

1. 全自动投研分身：从“速读”到“重写”

目前的金融/法律 Agent 只能帮你查查条文。 有了 InfiAgent，投研经理只需要扔给它一个 Task ID：“调研固态电池行业的全球竞争格局，搜集 50 家车企及电池厂的资料，最后出一份 100 页的内部研报。” 它会在你的工作目录下建立 50 个文件夹，持续追踪每一家的财报。 这种长达数周、上千个执行步骤的任务，在 InfiAgent 的 bounded context 架构下是零压力运行。

2. 科研全生命周期管理

目前的“AI 科学家”大多停留在写摘要阶段。 InfiAgent 的 MLA 架构真正具备了从“提出假设 -> 文献调研 -> 仿真实验 -> 纠错优化 -> 文档排版”的全链闭环潜力。 就像视频里生成的那个 mia_test.pdf 一样，这预示着未来可能会出现真正的“数字算法工程师”。

3. 超大规模代码库的“持续自愈系统”

面对含有几千个文件、逻辑错综复杂的 Legacy Code。 InfiAgent 利用文件中心化的记忆，可以持续工作数周，分析每一个模块的定义，并在磁盘记录中保持长期的状态一致性。这完美解决了大 Repo 维护中“按下葫芦浮起瓢”的痛点。

咱们来一波务实的对比：

• • 对比堆窗口长度的方案（如 1M+ Context 系列）

有些模型支持 100 万 Token 上下文。但是，处理一次 100 万 Token 的 API 成本极高，且随着窗口填满，模型推理速度会变慢 5-10 倍。 InfiAgent： 每次推理只处理几百 Token。API 成本节省了 90% 以上，响应速度始终保持在毫秒级。

• • 对比纯 RAG 方案

RAG 虽然能读很多东西，但缺乏“持久状态”。它很难处理“根据第一页的逻辑去修改第十页的代码”这种强耦合的任务。 InfiAgent： 状态落地成文件。它能在文件系统里进行真正的迭代和回溯。

• • 对比 OpenClaw / Claude Code

OpenClaw 强在对屏幕的实时操作感，而 InfiAgent 强在对文件系统的深度经营和长时稳定性。对于需要后台静默运行长任务的用户，InfiAgent 的 Infra 选型更具韧性。

在这个除夕之夜，InfiAgent 给了我们一种不一样的思路。 我们不需要一味追求把模型的大脑容量做得无限大， 我们要学会给 AI 递一张纸、一支笔（文件系统），以及一套科学的管理流程（MLA 架构）。

InfiAgent V3 的开源，不仅仅是放出了一个工具，更是放出了一套“长程智能体”的工业化标准。

（我个人非常看好它的 Skills 扩展 设计。这种基于 Agent Skills 开放标准的加载模式，意味着未来我们可以像安装插件一样给 Agent 安装“会计技能”、“编程技能”、“法务技能”。）

除夕夜，大家如果春晚看累了，不妨去 GitHub 点个 Star，拉个镜像跑跑看。

你会让 InfiAgent 帮你写明年的行业预测，还是帮你梳理电脑里那一堆乱糟糟的 PDF？ 欢迎在评论区留言吐槽/交流。

最后， 再次祝各位： 

新春大吉，万事顺意！

愿你代码无 Bug！ 

愿你内存显存无限

 愿你积分额度不减

 愿你硬件寿命长久 

愿你内测资格爆满

愿你 Token 永远够用

愿你 Agent 状态恒定，长跑不掉队！

声明：本文数据、图片及视频演示 Case 均严格引述自 InfiAgent 官方公开论文及项目主页。不代表任何商业承诺，仅作技术拆解。