LAGO：具有可复用、持续增长选项的语言智能体

长程任务暴露了单体式工具使用循环的一个弱点：单个智能体必须在一条轨迹内完成任务分解、执行和验证。我们提出 LAGO，将专门化的语言智能体视为可复用、在时间上延展的选项。元智能体从持久化库中检索选项或创建新选项，分派子任务，验证结果，并将成功的新选项纳入库中。该库随任务的推进而不断增长，无需更新模型权重。在 500 个 SWE-bench Verified 任务上，两个角色均采用权重冻结的 Qwen3.5-35B-A3B，在使用官方 Docker 评估器的单次尝试评估中，解决率达到 58.6%。在固定的 150 个任务子集上，我们使用相同的策略、温度、任务 ID 和评估器，重新运行 mini-SWE-agent、Terminus 2 和 LAGO；三者的解决率分别为 49.3%、57.3% 和 60.3%。跨模型实验提供了与分解质量发挥作用这一观点一致的证据。在 50 个任务上进行的组件消融实验发现，移除任务分解后少解决了四个任务，打乱复用内容后少解决了两个任务，移除库后少解决了六个任务。这些结果支持将可复用的智能体选项作为面向任务流的一种实用抽象，但组件层面的因果关系仍取决于具体任务和模型。