跨越生命周期的挑战：上下文耗尽与项目级持久化

大模型 Agent 的推理能力再强，也受限于两个边界：单次上下文窗口 C最大 有限，且会话关闭后状态与经验不可依赖；而真实的工程或科研项目生命周期 T项目 可持续数月乃至数年，因此 T项目 ≫ C最大。核心矛盾不是单次推理能力不足，而是经验无法跨越 Agent 生命周期：若缺少持久化，每次实验的失败、权衡、候选方案与验收结论都会随上下文清空而丢失，后续 Agent 只能重复探索。

上下文耗尽：单次会话的硬边界

Agent 的上下文窗口是有限资源。它可以容纳当前任务的目标、局部观测与近期推理，但一旦会话关闭，窗口中的状态、临时结论与经验就不再可用。对于长周期项目，不能把项目记忆放在单次上下文里，因为下一次会话开始时，上下文已经清零或仅剩极少量外部注入信息。

项目级持久化：把经验外化为软件世界

解决方向是 项目级持久化：把单次实验中的失败配置、权衡过程、候选方案与验收结论外化为持续存在的项目级工件，例如代码、测试、实验记录、决策日志、评估指标与验收结果。这样，后续 Agent 不必从零开始，而可以从项目仓库中读取前序经验，判断哪些方向已验证、哪些冲突尚未解决、哪些指标已经达标。

演化对象边界扩展

在方法演化视角下，演化对象不再只是单次数值参数或候选解，而是扩展为持续存在、可版本化、可继承的软件世界。每一次会话产生的新工件都会改变这个世界的状态，下一次会话则在这个更新后的世界上继续演化。于是优化过程从一次性任务变成项目级持续演化。

多 Agent 协同与递归拆解

多个生命周期有限的 Agent 可以协同工作：上层执行者理解目标并分解任务，下层执行者完成局部实现与测试，必要时继续递归拆解。跨生命周期的连续性由项目级持久化保障：每个 Agent 关闭前把关键状态写入项目工件，新 Agent 启动后先读取项目记忆，再决定下一步局部行动。

工程实际中的目标冲突与稀疏反馈

长周期项目往往存在目标冲突，例如性能、成本、鲁棒性之间难以同时最优；反馈也可能稀疏，因为一次实验要等待数小时甚至数天。若没有项目级持久化，这些冲突与稀疏反馈无法被稳定记录，后续 Agent 会反复踩坑。持久化后的决策日志与评估指标，正是把稀疏反馈转化为可继承经验的关键载体。