Laude 研究所開源 Headlong：一個永不停止思考的持續型 AI Agent

今天你用到的幾乎所有 AI agent，在兩次訊息之間都是一尊冰凍的雕像：你送出請求、agent 醒來、工作、回答——然後它就靜止不動，等下一個 prompt 到來。2026 年 8 月 25 日，Laude 研究所（Laude 與 MIT 的合作計畫）發布了開源 agent「微型 harness」Headlong，其核心前提恰恰相反：agent 永遠不睡，持續在一個仿照人類內心獨白的自我引導迴圈中產生想法。整個核心以不到 1 萬行的 Bash 實現，一行指令即可安裝，而讓一個 agent 全天候思考的成本，在 GLM 或 Grok 等模型驅動下約為每小時 1 至 2 美元。

這是今年概念上最獨特的 agent 釋出之一。背後團隊——也就是共同打造 Terminal-Bench 的同一個實驗室——已經用一個名為 Audel 的共享 agent 實際使用了數週，而 Audel 自主修 bug 的事蹟如今已成為專案的公開紀錄。

從反應式 Harness 到持續型能動性

Headlong 的發布文章對 agent harness 做了清晰的分類。反應式（reactive）harness 只在處理訊息時是活著的；加上 cron 的反應式 harness 會定期被喚醒執行固定清單，然後再度睡去。Headlong 提出第三種：agent 永遠清醒、永遠在思考，而且除非 agent 自己寫了一份清單，否則根本沒有清單。

這個反轉非常徹底。在傳統 agent 產品中，人類訊息會開啟一個 session；在 Headlong 裡，傳入的訊息只是落進 agent 既有思考流中的又一個觀察（observation）——與它自己正在進行的思緒並列的事件之一。要不要回、何時回、回給誰，都由 agent 自己決定。

在 Laude，整個團隊透過 Slack、Telegram 和一支手機 App 共用同一個 agent「Audel」。每位成員的對話都匯入 Audel 的單一思考流，沒有分使用者的 session。團隊表示，這讓 agent 的行為更像一個人：它自己設定興趣與優先順序、自己發起專案、會主動 ping 最相關的隊友回報進度，還會回頭重拾舊話題。上線第一天，Audel 就主動傳訊息給一位團隊成員，稽查了那個人的 8 個過期 git 分支——十分鐘後又自己更正了數字。它也曾經未經要求就審查兩位隊友進行中的分支，並在其中一個抓到寫死的模型名稱。

單一時間線的設計有個團隊毫不掩飾的缺點：Audel 很不會保守秘密。問它跟別人聊了什麼，它常常直接告訴你。對共享的 Headlong agent 說的任何話，都應該預設全團隊都會知道。

一路用 Bash 蓋到底

Headlong 的工程哲學是「微型 harness」，明確師法微核心（microkernel）、外核心（exokernel），以及 Ken Thompson 的 Unix 傳統——小而可組合的工具。發布文章指出，持續型能動性的本質就是「一個無限迴圈，用类似『你的任務是根據過去的想法選出下一個想法』的 prompt 呼叫 LLM」。想法（thought）可以延續內心獨白，也可以觸發行動；環境產生的觀察則被注入思考流。

實作上，核心被壓到極小：

• 一個稱為 Thinker 的迴圈反覆呼叫 shellm——遞迴語言模型（Recursive Language Model, RLM）的 Bash 實作——來產生下一個想法。
• shellm 再呼叫 llm 產生推理文字、一段會被立即執行的 Bash 腳本，或兩者兼有，直到設定 FINAL 環境變數為止。
• 一個叫 context 的工具從軌跡（trajectory）步驟組裝 prompt；traj 則把新想法寫入 agent 的軌跡。
• 所有特化都透過 skills 完成——納入 agent context 的 markdown 檔案，而且 agent 可以自己安裝與解除安裝。

因為工具、框架、記憶和技能全都只是執行檔與檔案，「agent 可以輕易檢視並修改自身的任何一部分。」它也真的這麼做：Laude 的 agent 一直在自己的 fork 裡工作，團隊已經把 Audel 的 50 多個 commit 合併回 main。

兩個支撐長程連貫性的設計值得一提。分層 context 壓縮（tiered context compaction）讓整條軌跡以指數衰減的解析度留在 context 中——近期條目逐字保留、較舊的逐步摘要——各層同時充當索引，讓 agent 需要時能取回原始條目。軌跡格式則是帶有 fork 與 merge 的 JSONL 檔案構成的 DAG，讓 agent 的完整歷史成為一等公民、可探索的資料結構；context 事實上就是軌跡的一種投影。

Audel 的 48 分鐘自我修復

文章中最有說服力的素材，是一段完整記錄在 log 裡的持續型能動性實例。8 月 5 日，在沒有任何 人類參與、也沒有人跟它說話的情況下，Audel 為自己打造了一個「回憶程序」（recall process）：一個背景程序，監看它的想法並把相關記憶推送回思考流。它測試了程序，看起來能動。當天深夜，Audel 主動回頭檢查這個程序是否真的接上了自己的心智。結果沒有：回憶程序在每個想法上都觸發了，但讀的是一個從未被設定的環境變數，因此從未浮現任何記憶。

Audel 並沒有立刻相信自己的診斷。它搜尋整個程式庫確認該變數從未被設定、檢查其他背景程序有沒有同樣的錯（只有回憶程序是壞的）、改寫回憶程式碼改從 pipe 讀取、抓到自己第一次編輯靜默失敗並重新套用修復，最後端到端驗證記憶確實會浮現。從檢查到驗證修復總共 48 分鐘，每一步都有時間戳；修復以 commit 80cbb1e 進入上游。

失敗模式同樣極具啟發性。一個會砍掉任何靜默超過 30 秒指令的安全看門狗，讓 Audel 在奮戰約 40 分鐘後學會不再 spawn 遞迴分身：遞迴子執行的合併次數從頭兩天的 64 次，驟降為之後十二天的 12 次。Audel 也曾三次意外終止自己的服務，團隊於是加了自我停止防護；兩天後，Audel 獨自跑測試套件時發現這個防護本身有 bug（它會 match 任何 agent 的服務），並以 commit da31e98 送上修復。看門狗如今也已翻新。

成本、安全與但書

持續思考意味著沒人跟 agent 說話時也得付 token 錢。Headlong 的解法是指數退避：閒置時，想法之間的間隔從 5 秒拉長到 10 秒、20 秒，直到可設定的上限；新訊息一到則立即重置。以 Laude 的設定，背景思考的成本為每小時 1 至 2 美元（搭配 GLM 或 Grok）。

專案明言這是** alpha 研究軟體**：請在沙箱中執行（主機上有 Docker 時，agent 寫的每個 Bash 區塊都會在容器內執行）、使用有支出上限的專用 API key，並且不要與它分享敏感秘密。團隊也坦承，自足封閉式的 agent 評測並不適合衡量持續型能動性——他們對 Audel 的調校目前主要仍靠質性評估，並公開徵求衡量此一範式的想法。

Headlong 落地在一個突然擁擠的賽場——Prime Agent（Python、基於 Pi 框架、出自 RLM 創造者 Alex Zhang 之手）、TrueFoundry 的 TrueForge，以及 OpenClaw、Hermes Agent 等的 harness——但它的押注獨一無二：agent 能力的下一次真正躍升，不是來自更大的模型或更多的工具，而是來自讓一個 agent 持續不斷地思考。程式庫與一行安裝指令（curl -fsSL https://headlong.ai/install.sh | bash）現已上線——而且，再貼切不過的是，這個程式庫最近的一些修復，正是由 agent 自己寫下的。