[논문리뷰] OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents

링크: 논문 PDF로 바로 열기

The paper "OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents" by Jingsheng Zheng, Xinyuan Fang, Jintian Zhang, Zhengke Gui, Huajun Chen, and Ningyu Zhang, presents a long-horizon harness called OneDayAgent for autonomous agents tackling open-ended everyday requests. The core problem it addresses is that existing LLM agents struggle with tasks that are long-horizon, cross-environment, and multimodal, leading to issues like goal drift, state loss, and context overflow.

The OneDayAgent harness is designed with three main capabilities: Task Decomposition, Global Verification and Repair, and Execution Memory. Task Decomposition breaks down complex tasks into manageable subtasks, providing the LLM with focused objectives. Global Verification and Repair ensures the final deliverable aligns with the original intent by identifying and fixing defects. Execution Memory manages context pressure by compressing observations and checkpointing subtask states, preventing context overflow and state loss. The system is evaluated on the AgentIF-OneDay benchmark, achieving a new state of the art with an overall score of 0.821 using the GLM-5.2 backend. The harness also demonstrates cross-backend generalization, performing stably across five different LLMs from three model families without specific tuning, although different backends induce distinct execution styles.

I need to make sure to extract the images with their full URLs and brief Korean captions. Let's find the figures:

• Figure 1: Long-Horizon Everyday Tasks. (a) Everyday requests have long-horizon, cross-environment, and multimodal characteristics. These create goal drift, context accumulation, and state transfer failures. OneDayAgent addresses them through task decomposition, verification and repair, and execution memory to produce reliable deliverables. (b) OneDayAgent achieves a new state of the art on AgentIF-OneDay with an overall score of 0.821.

  • image_url: 2608.05013v1/x1.png -> https://arxiv.org/html/2608.05013v1/x1.png
  • caption_kr: "일상적인 장기 작업 특성 및 OneDayAgent의 성능"

• Figure 2: Overview of OneDayAgent. OneDayAgent uses a long-horizon harness that decomposes an everyday task, executes subtasks through environment-grounded tools, maintains execution memory, and performs global verification and repair before producing the final deliverable.

  • image_url: 2608.05013v1/x2.png -> https://arxiv.org/html/2608.05013v1/x2.png
  • caption_kr: "OneDayAgent 개요"

• Figure 3: Execution behavior of OneDayAgent. OneDayAgent turns long-horizon tasks into a managed execution process through decomposition, verify/repair, and context management.

  • image_url: 2608.05013v1/x3.png -> https://arxiv.org/html/2608.05013v1/x3.png
  • caption_kr: "OneDayAgent 실행 동작"

• Figure 4: Backend scaling and execution-style interaction. Under the same OneDayAgent harness, backend performance shows a weak parameter-scaling trend rather than a strict scaling law, while backend-specific behavior appears in execution-style distance and operational profiles.

  • image_url: 2608.05013v1/x4.png -> https://arxiv.org/html/2608.05013v1/x4.png
  • caption_kr: "백엔드 스케일링 및 실행 스타일"

• Figure 5: Case study of a PPT-editing task. The trajectory illustrates how OneDayAgent decomposes a multimodal editing request, exposes an incomplete subtask during synthesis, and uses verification-guided repair to produce the missing deliverable.

  • image_url: 2608.05013v1/x5.png -> https://arxiv.org/html/2608.05013v1/x5.png
  • caption_kr: "PPT 편집 작업 사례 연구"

I will select Figure 1 (overall problem/solution/performance), Figure 2 (architecture), and Figure 3 (execution behavior).저자: Jingsheng Zheng, Xinyuan Fang, Jintian Zhang, et al.

1. Key Terms & Definitions (핵심 용어 및 정의)

• Long-Horizon Tasks: 일상적인 작업 요청과 같이 여러 단계를 거치며 장기간에 걸쳐 목표와 제약 조건을 유지해야 하는 복잡한 작업들을 의미합니다.
• Cross-Environment: 웹 페이지 탐색, 로컬 파일 편집, 코드 실행, 멀티모달 도구 활용 등 다양한 환경 간을 오가며 작업을 수행하는 특성을 지칭합니다.
• Multimodal: 텍스트, 문서, 이미지, 표 등 여러 양식의 입력 및 증거를 처리해야 하는 작업의 특징을 나타냅니다.
• Goal Drift: 장기적인 작업 실행 과정에서 초기 목표나 제약 조건이 잊히거나 변질되어 최종 결과물이 원래 의도에서 벗어나는 현상입니다.
• Context Overflow: LLM이 처리할 수 있는 컨텍스트 길이를 초과하여 중요한 이전 정보가 손실되는 문제입니다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

본 논문은 Large Language Model (LLM) 기반 에이전트가 long-horizon, cross-environment, 그리고 multimodal 특성을 지닌 일상적인 요청을 처리하는 데 직면하는 한계점을 해결하고자 합니다. 기존 연구들은 goal drift, state loss, context overflow와 같은 개별적인 실패 모드에 대응했지만, 이러한 문제들이 복합적으로 작용하여 상호 보완적인 접근 방식이 필요합니다. 에이전트가 웹에서 정보를 수집한 후 로컬 파일을 편집하는 과정에서 초기 포맷팅 요구사항을 잊거나 검색 증거를 잃는 등의 실패 사례는 기존 방법론의 고립된 해결책만으로는 충분하지 않음을 보여줍니다. 이러한 문제들은 태스크 레벨에서 명령어 준수를 평가하는 AgentIF-OneDay와 같은 벤치마크를 통해 더욱 명확히 드러나며, 단일한 harness가 이들을 통합적으로 관리하며 다양한 백엔드 LLM에 걸쳐 효과적인지 여부는 충분히 연구되지 않았습니다.

3. Method & Key Results (제안 방법론 및 핵심 결과)

저자들은 OneDayAgent라는 long-horizon harness를 제안하며, 이는 개방형 요청을 관리형 실행 프로세스로 전환합니다. OneDayAgent는 세 가지 핵심 기능으로 구성됩니다. 첫째, Task Decomposition은 복잡한 요청을 bounded subtasks로 분해하여 LLM이 단계별로 지역적인 목표에 집중할 수 있도록 합니다. 둘째, Global Verification and Repair는 최종 deliverable이 원래의 의도와 일치하는지 확인하고 결함을 발견할 경우 수정하는 과정을 포함합니다. 이는 실행 후 synthesis 단계에서 누락된 요구사항이나 불일치하는 artifact를 식별하여 targeted repair loop를 통해 수정합니다 [Figure 2]. 셋째, Execution Memory는 context pressure 하에서 관찰 내용을 압축하고 subtask state를 체크포인트하여 중간 상태를 유지합니다.

Figure 2 — OneDayAgent 개요

AgentIF-OneDay 벤치마크의 104개 태스크에 대한 광범위한 실험 결과, OneDayAgent는 GLM-5.2 백엔드를 사용하여 0.821의 전체 점수로 새로운 state of the art를 달성했습니다 [Figure 1, Table 2]. 이는 모든 태스크 유형, 도메인, rubric dimension에서 선두를 차지하는 성능입니다. 특히, Task Decomposition과 Global Verification 모듈의 ablation study에서 두 모듈 모두 태스크 성공에 기여하며, 전체 모듈을 사용하는 FULL 설정이 가장 높은 점수를 기록했습니다 [Table 3]. OneDayAgent의 harness는 GLM-5.2, Gemini-3.1-Pro-Preview, Qwen3.5-397B-A17B 등 세 가지 모델 계열의 다섯 가지 백엔드 LLM에 걸쳐 안정적으로 작동하며, backend-specific tuning 없이 cross-backend generalization이 가능함을 입증했습니다 [Table 4]. Figure 3은 OneDayAgent가 태스크의 decomposition, verify/repair, context management를 통해 long-horizon execution pressure를 효과적으로 관리하는 행동을 보여줍니다 [Figure 3].

Figure 3 — OneDayAgent 실행 동작

4. Conclusion & Impact (결론 및 시사점)

OneDayAgent는 long-horizon 자율 에이전트를 위한 managed execution process를 제공하는 harness로, task decomposition, execution memory, 그리고 global verification and repair 기능을 통합합니다. 이 연구는 AgentIF-OneDay 벤치마크에서 GLM-5.2 백엔드를 통해 0.821이라는 뛰어난 성능을 달성했으며, 단일 harness가 다양한 LLM 백엔드에 걸쳐 효과적으로 일반화될 수 있음을 보여주었습니다. 이는 decomposition, memory, verification 기능을 함께 관리하는 harness가 특정 백엔드에 맞춰 설계되지 않아도 된다는 중요한 시사점을 제공합니다. 또한, 백엔드 LLM 모델마다 latency, tool-call volume, repair rate 등 고유한 execution style을 유발하지만, OneDayAgent와 같은 harness를 통해 이러한 차이를 관리할 수 있음을 보여줍니다. 이 연구는 long-horizon agent research 분야에 에이전트 시스템의 견고성과 확장성을 높이는 데 중요한 기여를 하며, 실제 환경에서의 복잡한 작업 처리 능력을 향상시킬 잠재력을 가집니다.

Figure 1 — 일상적인 장기 작업 특성 및 OneDayAgent의 성능

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.