Google 最近一篇论文：《SKILL.state: Scalable Long-Horizon Agent Skills》。
它讨论的不是怎么让 Agent “记住更多”，而是一个更反直觉的问题：Agent 真的有必要记住自己之前做过的所有事情吗？

今天很多 Agent 的运行方式，本质上是在不断追加 History：任务 + 过去所有 reasoning + tool call + tool result → 下一步。
短任务没问题，但一旦跑到 100、200 个 Step，问题就来了。
Context 越来越长，Token 越来越贵，更麻烦的是，里面会同时存在旧事实、失败假设、过期结果和已经完成的计划。

Agent 每走一步，都得重新从历史里判断：“现在到底什么才是真的？”

SKILL.state 的做法很简单：只给模型三样东西，Skill + Current State + Latest Observation。
模型这一轮仍然可以充分 reasoning，但 reasoning 不再进入下一轮。

真正被保存的，只有对状态的修改：Reasoning 是临时的，State 才是持久的。
（怎么有点反其道而行之呢）

论文里有一个夸张的实验，是一个 200 Step 的长程任务。
传统 ReAct 总 Token 消耗约 261 万，带 Memory 的方法超过 618 万。
SKILL.state 只有约 12.2 万。
更关键的是，准确率反而更高：ReAct 是 0.74，SKILL.state 达到 0.94。
所以这篇论文真正想说的其实是不要把 History 当成 Runtime。

Summary 是“把历史压短”，而State 是“把历史编译成现在”。

这篇论文表面上讲的是 Skill，实际上讲的是 Agent Harness：Skill 负责定义怎么做， State 负责描述现在做到哪， Tool 负责获取外部信息， LLM 负责当前一步的判断， Harness 负责状态更新、验证、持久化和下一轮 Context 的构造。

也许长程 Agent 的关键，从来都不是无限记忆，而是一个不会被过去拖累的现在。

#SkillState #AgentHarness #ContextEngineering #LLM #GoogleAI #大模型 #howto手搓skill