跨越生命週期的挑戰：上下文耗盡與專案級持久化

大模型 Agent 的推理能力再強，也受限於兩個邊界：單次上下文視窗 C最大 有限，且工作階段關閉後狀態與經驗不可依賴；而真實的工程或科研專案生命週期 T專案 可持續數月乃至數年，因此 T專案 ≫ C最大。核心矛盾不是單次推理能力不足，而是經驗無法跨越 Agent 生命週期：若缺少持久化，每次實驗的失敗、權衡、候選方案與驗收結論都會隨上下文清空而遺失，後續 Agent 只能重複探索。

上下文耗盡：單次工作階段的硬邊界

Agent 的上下文視窗是有限資源。它可以容納當前任務的目標、局部觀測與近期推理，但一旦工作階段關閉，視窗中的狀態、臨時結論與經驗就不再可用。對於長週期專案，不能把專案記憶放在單次上下文裡，因為下一次工作階段開始時，上下文已經清零或僅剩極少量外部注入資訊。

專案級持久化：把經驗外化為軟體世界

解決方向是 專案級持久化：把單次實驗中的失敗配置、權衡過程、候選方案與驗收結論外化為持續存在的專案級工件，例如程式碼、測試、實驗記錄、決策日誌、評估指標與驗收結果。這樣，後續 Agent 不必從零開始，而可以從專案倉庫中讀取前序經驗，判斷哪些方向已驗證、哪些衝突尚未解決、哪些指標已經達標。

演化對象邊界擴展

在方法演化視角下，演化對象不再只是單次數值參數或候選解，而是擴展為持續存在、可版本化、可繼承的軟體世界。每一次工作階段產生的新工件都會改變這個世界的狀態，下一次工作階段則在這個更新後的世界繼續演化。於是優化過程從一次性任務變成專案級持續演化。

多 Agent 協同與遞迴拆解

多個生命週期有限的 Agent 可以協同工作：上層執行者理解目標並分解任務，下層執行者完成局部實現與測試，必要時繼續遞迴拆解。跨生命週期的連續性由專案級持久化保障：每個 Agent 關閉前把關鍵狀態寫入專案工件，新 Agent 啟動後先讀取專案記憶，再決定下一步局部行動。

工程實際中的目標衝突與稀疏回饋

長週期專案往往存在目標衝突，例如效能、成本、穩健性之間難以同時最優；回饋也可能稀疏，因為一次實驗要等待數小時甚至數天。若沒有專案級持久化，這些衝突與稀疏回饋無法被穩定記錄，後續 Agent 會反覆踩坑。持久化後的決策日誌與評估指標，正是把稀疏回饋轉化為可繼承經驗的關鍵載體。