长程 Agent 持续改变代码、环境和计划，上下文却只能容纳有限信息。每一步既要决定做什么，也要决定凭什么继续做。
LongHorizonOS 探索一个统一问题：在有限上下文、时间和调用预算内，协同管理有效任务状态与执行，让预算转化为更多经验证的任务进展。
上下文与执行，为什么需要一起调度
材料已经驻留、依据仍然有效时，一步任务可以直接推进；材料缺失或依据过期时，需要先加载、恢复或重验。执行次序与写入又会改变下一轮的工作集。
设计目标
任务步骤选择 · 次序 · 写入
决定步骤成本
改变后续需求
有效工作集有效性 · 驻留 · 上下文
共同约束：上下文容量、时间、调用预算
一个闭环，管理准备与执行
每轮形成同一份计划：推进哪个步骤、复用什么状态、补齐哪些材料、占用多少资源。执行结果再更新状态与下一轮调度。
设计目标
状态图依赖与版本
联合计划动作与准备
准备 / 执行工作集与任务
验证回写结果与成本
状态变化进入下一轮
增量图 / 索引定位受影响状态
覆盖 / 编码组织所需上下文
容量 / 退避约束可行的执行
Graph 记录显式依赖与适用条件，memory 保存持久状态，context 承载当前工作集。运行时负责准入、资源分配和结果提交；已声明依赖之外的关系仍需观察与验证。
调度优化，落到每一次决策
已有实现包括增量图分析与倒排索引、记忆闭包与覆盖规划、联合选批与流式补位。它们分别减少重复计算、准备必要材料、安排可行执行；具体入口与开关见实现对照。
规则示例 · 可用容量 2
| 候选 | 请求 | 兼容性 |
|---|---|---|
| A | 3 | 与 B、C 冲突 |
| B | 1 | 与 C 相容 |
| C | 1 | 与 B 相容 |
跳过不可行的 AB + C合计 2 / 2
计划之后，派发前仍需核对实际状态与资源。
AI4AI：让长期改进有运行基础
ResearchBoost 通过可信反馈推进训练代码优化。LongHorizonOS 关注持续迭代的运行成本：跨轮次管理状态、上下文和资源，让独立评估器判断改进是否成立。
设计目标
Agent提出候选
LongHorizonOS状态 · 执行 · 资源状态与资源
独立评估固定口径检验
结果反馈下一轮
怎样判断系统真的有效
在相同模型、任务、信息权限和预算下，对比具备版本管理、checkpoint 与检索的强基线，检验联合管理是否带来净收益。
最终看任务质量、完成时间与完整 token 成本；准备、恢复、重验和失败开销全部计入。现有局部优化已有代码依据，整体 reward 与成本收益仍需真实任务验证。