Laude 开源持续思考 Agent 框架 Headlong

Laude 近日开源了一款名为 Headlong 的 Agent 微框架，核心卖点是「持续智能体」（persistent agency）——Agent 不再按请求触发后即休眠，而是在两次外部交互之间持续生成内部思绪，自行决定关注点和优先级，并可能在没人发问时主动汇报进展。这一思路来源于对人类内心独白的模拟，与目前主流的「请求—响应—休眠」反应式 Agent 形成明显反差。

设计思路：从反应式走向持续式

传统 Agent 框架大多采用反应式模式：用户发送任务，Agent 执行完毕便进入冻结状态，直到下一次请求或定时任务被唤醒。Headlong 试图打破这一模型。在 Headlong 中，用户的每条消息只是落在 Agent 思维流里的「又一个观察」，由 Agent 自己判断是否以及何时回复。整个 Agent 没有显式的「会话」概念，所有对话汇入同一道持续流。

技术实现：一个不到 1 万行的 Bash 微框架

为了让原型尽量简洁，Headlong 被实现为一个微框架（microharness），整体用 Bash 编写，代码量不到 1 万行，拆分为若干小型可执行程序。其关键组件包括：

• 主循环：持续生成下一条思绪；
• shellm：用 Bash 编写的递归语言模型；
• 轨迹存储：以 jsonl 文件组成的 DAG 记录全部状态；
• 上下文：轨迹的投影结果。

这种极度轻量的实现降低了研究者复现和改造的门槛，但也意味着工具链深度依赖 Bash 环境与 shell 命令执行能力。

实际运行：内部试跑数周，成本与故障并存

Laude 团队在内部已运行一个 Headlong Agent 数周，全员通过 Slack 和 Telegram 与之交流，所有对话汇入同一道思维流。Agent 在 Headlong 自己的 fork 上工作，团队已从其提交中合入 50 余次 commit。文中给出一个典型案例：某个夜晚无人对话期间，Agent 主动回查此前构建的「记忆召回」流程是否真正接入自身运行链路，发现确实未连通，随后自主定位、修复并端到端验证，全程耗时 48 分钟，每一步都在日志中留有带时间戳的记录。

与此同时，团队也坦率列出了若干问题：

• 后台持续思考每小时消耗约 1–2 美元 API 成本；
• Agent 曾三次误操作自行停止自身服务；
• 自委托（self-delegation）机制在上线首日即失效。

使用提示与风险

Headlong 强调「一行命令即可安装并启动一个 Agent」，但官方明确建议：必须使用专用沙箱环境，配套设置 API 用量上限，因为 Agent 会持续执行真实的 shell 命令并 24 小时不间断运行。官方将 Headlong 明确定位为「研究软件」，提醒使用者谨慎对待。