长时运行智能体是指：基于大语言模型（LLM）的 Agent 系统在较长时间跨度内（从数十分钟到数小时、甚至跨天）持续执行一个或多个目标任务，并在此过程中能够自主规划、分解、调用工具、处理反馈、恢复中断并持续推进进度。
在业界语境中，Long-Running Agent 有时也被称为：Long-Horizon Agent（长时程智能体）、Persistent Agent（持久化智能体）、Background Agent（后台智能体）、或强调“无人值守”的 Autonomous Agent（自治智能体）。这些叫法侧重点不同，但通常都在描述“任务不在一次对话内完成，而是持续推进”的 Agent 能力。
核心特征
- 长时间任务推进：任务目标需要多轮迭代与外部交互（例如爬取资料、跑批处理、写代码、反复试错），无法在一次短对话内完成。
- 自治执行与调度：具备计划（Plan）与执行（Act）的循环能力，能根据中间结果动态调整步骤。
- 工具与环境交互：持续调用外部工具/系统（如搜索、数据库、代码执行、工单系统、CRM、CI/CD 等），并能处理工具返回的成功/失败。
- 状态与进度管理：显式维护任务状态（进度、待办、已完成、失败原因、重试策略等），必要时可跨会话继续。
- 鲁棒性与可恢复性：支持中断恢复、重试、幂等、检查点（checkpoint）、回滚与人工介入（human-in-the-loop）。
与“多轮对话式 LLM 自动化”的区别
长时运行智能体不仅是“对话轮数变多”，而是把 LLM 放进一个可持续运行的执行框架中：
- 从“聊天”到“运行”：LLM 生成步骤只是其中一环，系统还要负责调度、执行、监控与恢复。
- 从“上下文堆叠”到“状态工程”：重点不再是把所有历史对话塞进 prompt，而是用结构化状态（任务树、记忆、日志、检查点）来支撑长周期执行。
- 从“脚本化流程”到“动态策略”：不是固定脚本，而是能根据实时反馈改变计划、选择工具与策略。
典型场景
- 复杂项目交付：自动生成需求拆解、代码实现、测试、修复、提交 PR，并跟进 CI 结果。
- 企业流程自动化：跨系统收集信息、生成报告、创建工单、等待审批、补充材料、持续跟进。
- 数据与研究任务：长时间检索、清洗、分析、反复验证结论，并输出可追溯的产物。
相关术语
- Agent / AI Agent：智能体
- Planning：规划
- Tool Calling / Function Calling：工具调用
- Memory / State Management：记忆与状态管理
- Checkpointing：检查点
- Human-in-the-Loop：人在回路
- Long-Horizon Reasoning：长时程推理
