当我们和AI助手进行长时间对话时，你有没有发现一个问题：对话进行得越久，AI就越容易"忘记"之前说过的话，甚至开始胡言乱语？这就像一个人在极度疲劳状态下工作，刚开始还能保持专注，但随着时间推移，注意力就开始分散，工作质量也直线下降。

这个问题在AI领域有个专门的名字叫"上下文腐烂"（context rot），而香港科技大学的研究团队最近发布了一项重要研究，专门解决这个让人头疼的问题。这项研究发表于2026年2月，论文编号为arXiv:2602.07962v1，为我们深入理解AI在长时间工作中的表现提供了全新视角。

传统的AI测试就像给学生出一道阅读理解题：给你一篇很长的文章，然后问你文章里的某个细节。但现实中，AI助手的工作更像是一个私人秘书，需要在漫长的工作日中处理各种复杂任务：查看邮件、整理日程、分析数据、撰写报告。随着工作时间的延长，这位"AI秘书"需要记住的信息越来越多，而它的"记忆力"却开始出现问题。

香港科技大学的研究团队意识到，现有的测试方法就像只考查学生的短期记忆能力，却忽略了在真实工作环境中需要的长期专注力和综合处理能力。于是，他们创建了一个名为LOCA-bench的全新测试平台，这个名字代表"长上下文智能体"（LOng-Context Agents）的基准测试。

LOCA-bench就像为AI助手设计了一个模拟的真实工作环境。在这个环境中，AI需要扮演一个万能助手的角色，处理各种实际工作场景：管理在线课程系统、处理电子邮件、操作电子表格、查询数据库、管理电商平台等。关键在于，随着工作的进行，AI需要处理的信息量会越来越大，就像一个秘书的桌子上文件越堆越高。

研究团队巧妙地设计了一个可以控制"工作量"的系统。他们可以让同一个任务在不同的信息量条件下进行。比如说，让AI整理学生的考试安排，在简单模式下可能只有10门课程需要处理，而在复杂模式下可能有上百门课程，每门课程还有大量的详细信息。这样，研究人员就能准确观察到AI的表现是如何随着信息量增加而变化的。

这个测试系统包含了15种不同类型的真实工作场景，每种场景都可以在7个不同的复杂度级别上运行，从相对简单的8000个信息单位到极其复杂的256000个信息单位。整个测试包含了525个不同的任务样本和280种不同的工具，几乎涵盖了现代办公环境中的所有常见工作。

一、现代AI助手面临的"记忆力"危机

当我们深入观察AI助手在处理复杂任务时的表现，就会发现一个令人担忧的现象：就像人在极度疲劳状态下工作一样，AI的各项能力都会随着任务复杂度的增加而显著下降。

研究团队测试了七个目前最先进的AI模型，包括Claude-4.5-Opus、GPT-5.2-Medium、Gemini-3-Flash等知名的商业模型，以及DeepSeek-V3.2-Thinking、MiniMax-M2.1等优秀的开源模型。测试结果就像一条陡峭的下坡路：当信息量较少时，大多数AI模型都能保持70%以上的准确率，表现相当不错。但随着信息量的增加，它们的表现就开始急剧下滑。

最引人注目的发现是，当信息量达到最高级别时，即使是最先进的商业模型，准确率也会下降到20%左右，而一些开源模型的表现甚至不到5%。这就好比一个平时工作能力很强的员工，在面对海量信息时完全失去了方向感，工作效率严重下降。

更有意思的是，不同类型的AI模型展现出了不同的"疲劳模式"。Claude-4.5-Opus在处理简单任务时表现最为出色，准确率高达96%，但随着复杂度增加，下降幅度也最为明显。相比之下，GPT-5.2-Medium虽然起始表现不如Claude，但在高复杂度情况下保持得更好，展现出了更强的"持久力"。

研究团队还发现了一个令人意外的现象：随着任务复杂度的增加，AI模型实际探索和处理的信息量并没有相应增加，反而开始"偷懒"。就像一个面对满桌文件的员工，不是更加努力地处理每一份文件，而是开始挑三拣四，只处理看起来简单的部分，最终导致工作质量下降。

这种现象反映在具体数据上就是：当环境复杂度从96K信息单位增加到更高级别时，大多数AI模型的工作轨迹长度、工具调用次数都开始趋于平稳，不再增长。这意味着AI并没有因为任务更复杂而更加努力，反而选择了一种"应付了事"的工作方式。

二、AI助手的四大"职场病"

通过深入分析AI助手在复杂环境下的工作表现，研究团队识别出了四种典型的"职场病"，这些问题就像职场新人在面对高强度工作时容易犯的错误。

第一种病症是"思维简化症"。在信息量较少时，AI助手能够进行复杂的多步骤推理，就像一个细心的侦探，会从多个线索源收集信息，进行交叉验证，最后得出准确结论。但当信息量增加后，AI就开始"偷懒"，往往只看一部分信息就匆忙下结论。

研究团队给出了一个生动的例子：AI需要整理学生的期末考试安排，这些信息分散在课程公告和电子邮件中。在简单情况下，AI会仔细查看所有公告和邮件，还会核对课程编号确保信息准确。但在复杂情况下，AI可能只查看公告就开始制作考试安排表，完全忽略了邮件中的重要信息，导致最终结果不完整。

第二种病症是"健忘症"。这表现在AI越来越容易忘记任务开始时给出的重要指示，特别是一些格式要求和约束条件。就像一个员工在忙碌中忘记了老板最初的要求，按照自己的想法来完成工作。

一个典型案例是，AI被要求分析A/B测试数据并将结果记录在CSV文件中，明确要求"遵循文件中的相同格式，不要更改列名"。在信息量较少时，AI会先检查现有文件的格式，然后严格按照要求来记录数据。但在信息量增加后，AI往往会忽略这个重要指示，按照自己的理解来设置列名，导致最终结果不符合要求。

第三种病症是"急躁症"。随着上下文变长，AI变得越来越没有耐心，经常在完成任务之前就提前结束工作。这就像一个员工面对堆积如山的文件时，匆忙浏览了一部分就认为已经完成了全部工作。

研究中有一个很好的例子：AI需要在电商平台中找出所有库存不足的商品。在简单情况下，AI会耐心地翻看所有商品页面，确保没有遗漏。但在复杂情况下，AI可能只查看了前100个商品，发现没有符合条件的，就匆忙得出"没有库存不足商品"的结论，完全没有继续查看剩余的商品。实际上，在后续的商品中确实存在需要处理的情况。

第四种病症是"幻觉症"。这是最令人担忧的问题：即使AI正确获取了信息，在后续处理过程中也可能出现信息失真，就像传话游戏中的信息变形。

一个典型例子是，AI需要监控工厂设备的传感器数据，识别异常读数。研究人员发现，AI能够正确从数据库中查询到某台机器在特定时间的振动值是1.61，但在后续生成报告时，却将这个数值记录为2.46。这种信息失真在短上下文情况下很少出现，但随着上下文增长变得越来越频繁。

三、拯救AI助手的"记忆增强"技术

面对AI助手的"职场病"，研究团队并没有坐以待毙，而是开发了一套完整的"治疗方案"，就像给过度疲劳的员工提供各种工作辅助工具和方法。

这些解决方案可以分为两大类：基础的"整理术"和高级的"工作法"。基础整理术包括三种方法，就像办公室的文件管理技巧。

第一种是"工具结果清理法"。当AI的工作记录变得过于冗长时，系统会自动删除一些早期的、不太重要的工具调用记录，就像定期清理办公桌上的旧文件。这样可以为新的重要信息腾出空间，让AI保持专注。

第二种是"思考过程压缩法"。AI在工作时会产生很多内部思考记录，就像我们在草稿纸上的涂涂画画。当这些记录太多时，系统会保留最新的思考内容，删除较早的思考过程，确保AI能够专注于当前任务。

第三种是"对话历史摘要法"。当工作对话变得很长时，AI会将早期的对话内容总结成简洁的要点，就像会议纪要一样，既保留了重要信息，又节省了空间。

高级工作法则更加智能和主动。"上下文感知法"就像给AI安装了一个"内存监控器"，让它实时了解自己的"记忆空间"还剩多少。每次使用工具后，系统都会告诉AI："你的记忆空间还剩XX%，请合理安排后续工作。"这样AI就能更好地规划自己的工作节奏。

"记忆工具法"更像是给AI配备了一个外部笔记本。当重要信息太多时，AI可以将一些关键信息写入专门的记忆文件中，需要时再调取。这就像我们在处理复杂项目时会做各种备忘录一样。

最有趣的是"程序化工具调用法"，这相当于让AI学会写"工作脚本"。传统方式下，AI需要一步步手动操作：打开文件、读取内容、处理数据、保存结果。但通过程序化调用，AI可以写一个小程序来自动完成这一系列操作，既提高了效率，又减少了中间过程中的信息累积。

研究结果显示，这些"治疗方法"确实有效。以Gemini-3-Flash为例，在复杂任务中，基础准确率只有21.3%，但应用了上下文感知技术后提升到33.3%，使用记忆工具后达到30.7%，而程序化工具调用法同样达到了30.7%。最令人印象深刻的是GPT-5.2-Medium，通过程序化工具调用，准确率从38.7%提升到了49.3%，提升幅度超过25%。

更重要的是，这些技术不仅提高了准确率，还显著减少了工作轨迹的长度。程序化工具调用法尤其出色，它让AI的工作变得更加高效和有序，就像从手工作业升级到了工业化生产。

四、真实世界测试：AI助手与专业工具的较量

为了验证这些改进方法在现实环境中的效果，研究团队还进行了一项特殊的对比测试，让AI助手与现有的专业智能助手工具进行直接比拼，就像让不同品牌的产品在相同条件下接受消费者测试。

这次对比的对象是Claude Agent SDK，这是Anthropic公司开发的专业智能助手框架，集成了多种先进功能，包括语义搜索、子助手系统等。按理说，这样的专业工具应该在复杂任务中表现更好，就像专业级的瑞士军刀应该比普通工具更实用。

然而测试结果却出人意料。当使用Claude Agent框架时，Claude-4.5-Opus的表现实际上比直接使用模型还要差，准确率从34.0%下降到了26.7%。这就像一个熟练的工人在使用了复杂的自动化设备后，反而工作效率降低了。

研究团队深入分析后发现了问题所在。Claude Agent框架虽然功能强大，但它鼓励AI使用各种高级功能，比如同时启动多个子助手来处理不同任务。听起来很厉害，但实际上AI对这些复杂环境还不够熟悉，就像一个新手司机开着配备了各种高科技功能的豪车，反而因为不熟悉这些功能而开得磕磕绊绊。

具体来说，在处理在线学习平台任务时，AI会启动很多子助手去收集课程和作业信息，但往往忘记给这些子助手提供必要的工具权限，结果这些子助手什么也做不了，只是白白消耗了"记忆空间"。等到AI意识到问题时，已经浪费了大量资源，只好重新开始，而此时"记忆空间"已经所剩无几，导致后续工作质量下降。

相比之下，研究团队自己开发的程序化工具调用方法表现要好得多。虽然他们的实现版本准确率为40.0%，但Anthropic官方的程序化工具调用实现达到了49.3%，这说明这个方向是正确的，只是在具体实现细节上还有优化空间。

这个对比测试揭示了一个重要观点：技术的先进性并不总是等同于实用性。有时候，简单直接的解决方案反而能取得更好的效果，就像在某些情况下，一把普通的螺丝刀可能比多功能工具更好用。

五、从实验室到现实应用的思考

LOCA-bench的研究成果不仅仅是一个学术研究，更像是为未来AI助手的发展指明了方向。这项研究揭示的问题和解决方案，对我们日常使用AI助手有着直接的指导意义。

首先，这项研究帮助我们重新认识了AI助手的能力边界。在日常使用中，我们经常会遇到这样的情况：刚开始和AI对话时效果很好，但聊得时间长了，AI的回答质量就开始下降，有时甚至会出现前后矛盾的情况。现在我们知道，这并不是偶然现象，而是AI系统的固有特性。了解这一点后，我们可以调整使用策略，比如在重要任务中适时"重启"对话，或者将复杂任务分解成几个独立的简单对话。

其次，研究中提到的各种优化技术已经开始在实际产品中得到应用。比如，一些聊天机器人会在对话变长时主动提供对话摘要，这就是"对话历史摘要法"的实际应用。一些AI写作助手会提醒用户当前内容长度，建议分段处理，这体现了"上下文感知"的思想。

程序化工具调用的概念也在改变我们对AI能力的理解。传统观念认为AI只能进行对话和文本生成，但现在我们看到，AI可以学会编写和执行代码来完成复杂任务。这就像从"手工制作"升级到"工业生产"，不仅提高了效率，还降低了出错率。

对于企业和开发者而言，这项研究提供了宝贵的指导原则。在设计AI应用时，不应该盲目追求功能的丰富性，而应该重点关注在实际使用场景中的稳定性和可靠性。正如研究中发现的，有时候简单直接的方案比复杂的多功能方案更有效。

研究还揭示了AI训练和测试方法的局限性。目前大多数AI模型的测试都集中在短期任务上，就像只考查学生的短期记忆而忽略了长期综合能力。LOCA-bench提供了一个更贴近现实应用的测试框架，这可能会推动整个行业重新思考AI系统的设计和评估方法。

更深层次地看，这项研究反映了人工智能发展的一个重要趋势：从追求单项能力的突破，转向追求综合能力的平衡和持久。就像人类智能不仅需要聪明，更需要专注力、记忆力和执行力的协调配合，未来的AI系统也需要在各个方面实现更好的平衡。

最后，LOCA-bench作为一个开源项目，为整个研究社区提供了一个标准化的测试平台。这就像为AI研究建立了一个"标准操场"，让不同团队的研究成果可以在相同条件下进行比较。这种开放共享的做法，将加速整个领域的进步。

说到底，香港科技大学的这项研究为我们揭示了AI助手在长时间工作中面临的挑战，更重要的是，它提供了切实可行的解决方案。虽然目前的AI系统还远未完美，但通过合理的设计和优化，我们已经能够显著改善它们在复杂任务中的表现。随着技术的不断发展和这些研究成果的应用，我们有理由相信，未来的AI助手将能够在更长时间、更复杂的任务中保持稳定可靠的表现，真正成为我们工作和生活中的得力助手。

对于普通用户而言，这项研究的最大价值在于帮助我们更好地理解和使用AI工具。当我们了解了AI的"职场病"后，就能够更有策略地与它们协作，扬长避短，让这些数字助手发挥出最大的价值。

Q&A

Q1：什么是LOCA-bench测试平台？

A：LOCA-bench是香港科技大学开发的AI助手测试平台，专门评估AI在处理长时间、复杂任务时的表现。它模拟真实工作环境，让AI处理邮件管理、数据分析等实际任务，可以控制任务复杂度从简单到极复杂，帮助研究人员了解AI助手在什么情况下会出现"记忆力衰退"等问题。

Q2：AI助手的四大"职场病"都有哪些表现？

A：四大"职场病"包括：思维简化症（在复杂情况下只看部分信息就下结论）、健忘症（忘记任务开始时的重要指示和格式要求）、急躁症（没完成任务就提前结束工作）、幻觉症（即使获取了正确信息也可能在处理过程中出现失真）。这些问题在信息量增加时会越来越明显。

Q3：程序化工具调用法为什么能提高AI助手的表现？

A：程序化工具调用法让AI学会写代码来自动完成任务，而不是一步步手动操作。这就像从手工制作升级到工业化生产，不仅提高了效率，还减少了中间过程的信息累积，降低了出错率。研究显示，这种方法能让GPT-5.2-Medium的准确率从38.7%提升到49.3%。