后 Coding 时代 AI Agent 的新命题：长程任务、自治系统与自我进化 II

后 Coding 时代 AI Agent 的新命题：长程任务、自治系统与自我进化 II

一份关于 2026 年人工智能体范式转移的深度研究

研究主题：Long Horizon Task（长程任务能力）、Autonomous Agent System（完全自治智能体系统）、Self-Evolving（自我进化）

版本：v1.0 日期：2026 年 7 月 摘要字数：约 30,000 字

---

摘要

2026 年，人工智能产业正经历一次根本性的范式转移：从以"模型能力"为中心的时代，迈入以"智能体行动"为中心的时代。如果说 2023—2025 年是 Pre-Training（预训练）与 Reasoning（推理）两大拐点主导的"更快的马"阶段——模型在问答、生成、单点推理上以每年 10%—40% 的速度线性改良；那么 2026 年开启的第三个拐点 Long Horizon Agents（长程智能体），则被红杉资本、LangChain、METR 等机构一致判断为真正的"汽车"——它带来的是 10 倍起步的效率跃迁，而非边际优化。

这一拐点的本质，是 AI 从"回答问题"走向"交付结果"，从"辅助人类"走向"成为劳动力"。其技术载体不再是孤立的模型，而是由模型与确定性基础设施（Harness）共同构成的、能够持续工作数小时乃至数天的自治系统。在这一背景下，AI Coding（AI 自主编程）作为第一个真正起飞的垂直场景，已经完成了它的历史使命——它证明了 Agent 可以在真实代码库中以人类工程师的方式工作。但 Coding 只是序章。当 Agent 的长程能力被验证、被工程化、被商业化之后，真正的新命题才浮出水面：

1. 长程任务能力（Long Horizon Task）：当任务从"一步完成"延长到"数小时、数天、甚至数月持续执行"，Agent 如何在漫长的行动链中保持目标一致、管理上下文、从错误中恢复、处理延迟反馈？
2. 完全自治的智能体系统（Autonomous Agent System）：当 Agent 从"被人类逐步引导的工具"走向"无人值守的数字员工"，我们需要怎样的系统架构——记忆、规划、工具、护栏、调度——来支撑其 8 小时以上的自主运行？
3. 自我进化（Self-Evolving）：当 Agent 积累了大量执行轨迹、失败案例、领域经验之后，它能否像人类专家一样"越做越好"——从经验流中提炼可复用知识，在运行时持续改进自身，最终从一个工具使用者成长为代码创造者，乃至具备自我繁衍能力的超级智能体？

本文围绕这三大新命题展开系统性的深度研究。我们首先梳理从 Coding Agent 到长程自治的历史脉络，锚定范式转移的三个拐点；继而分别深入三大命题的技术内核——长程任务的定义、特征与挑战，自治系统的"模型 + Harness"双层架构与五大基础设施，自我进化的四条技术路径（经验记忆、技能沉淀、模型自举、演化算法）；之后构建一个统一框架，阐明三者如何构成"能力—载体—时间"的递进闭环；再从评测、工程、风险、商业四个维度展开讨论；最后给出通向超级智能体的路线图与产业判断。

本文的核心论点是：后 Coding 时代的新命题并非三个独立问题，而是一个由"长程能力—自治载体—自我进化"构成的自我强化三角。长程能力是门槛，自治系统是载体，自我进化是加速器。三者闭环一旦打通，AI 将从"被使用的工具"质变为"自我成长的劳动力"，并在 2030 年代前后逼近"雇用一个智能体如同雇用一个员工"的产业常态。

关键词：AI Agent；长程任务；自治系统；自我进化；Agent Harness；上下文工程；记忆机制；Service-as-Software；超级智能体

• 1. 引言：后 Coding 时代的来临
• 2. 历史脉络：三大拐点与范式转移
• 3. 命题一：长程任务能力（Long Horizon Task）
• 4. 命题二：完全自治的智能体系统（Autonomous Agent System）
• 5. 命题三：自我进化（Self-Evolving）
• 6. 三大命题的统一框架
• 7. 评测体系：从"答题"到"行动"到"活的题库"
• 8. 工程实现与关键基础设施
• 9. 风险、安全与治理
• 10. 产业图景与商业模式重构
• 11. 未来展望：通向超级智能体的路线图
• 12. 结论
• 参考文献

---

1. 引言：后 Coding 时代的来临

1.1 一个被验证的起点

2026 年 1 月，红杉资本（Sequoia Capital）在其年度 AI Ascent 闭门峰会上，用一场不到 40 分钟的开场演讲，为过去三年的 AI 发展划定了一条清晰的时间轴。三位合伙人 Pat Grady、Sonya Huang 与 Konstantine Bühler 提出：AI 经历了三个关键拐点——Pre-Training（预训练）、Reasoning（推理）、Long Horizon Agents（长程智能体）。前两个拐点带来的只是"更快的马"，效率提升 10% 到 40%；而 Long Horizon Agents 才是真正的"汽车"，效率直接提升 10 倍起步。

这一判断并非孤立。几乎同一时期，LangChain 创始人 Harrison Chase 在与红杉的对话中明确指出："2026 年是 Long Horizon Agents 的元年。"他认为，过去三年 AI 是 Talkers（说者）的时代，2026 年则是 Doers（做者）的元年。转变的核心载体，正是长程智能体——这类 Agent 不再满足于对上下文的即时回复，而是具备自主规划、长时间运行、目标导向的专家级特征。

而这一切的起点，是 AI Coding。

在所有 Agent 场景中，编程是最先真正"起飞"的。Claude Code、Codex、AutoResearch、OpenClaw 等产品已经真实落地。它们之所以率先突破，并非偶然：代码任务天然具备"可验证性"——编译通过、测试跑过、行为正确，这些客观信号构成了 Agent 自我纠错的闭环基础。Anthropic 的 Claude 3.7 Sonnet 在 SWE-bench 上大幅领先，验证了"agentic coding"作为第一个长程任务落地点的可行性。

但 Coding 只是序章。

1.2 从"回答问题"到"交付结果"

理解后 Coding 时代，需要先理解 Coding 时代到底解决了什么。

在 Talkers 时代，AI 的价值单元是"回答"。用户输入一个问题，模型输出一段文本，交互就此结束。这种范式的经济属性是"按使用量计费"——API 调用次数、Token 消耗、Seat（席位）。它的天花板是"信息分发的效率"。

而 Doers 时代，AI 的价值单元变成了"结果"。用户提出一个目标——"帮我复现这篇金融论文的核心分析"、"帮我把这个 PRD 实现成可运行的应用"、"帮我把这批发票审计完并追回漏损"——Agent 不再回答，而是执行，直到交付一个可验收的产物。其经济属性因此发生结构性迁移：从"按使用量"转向"按结果（Outcome）"，从"卖工具"转向"Selling Labor（卖劳动力）"。

2026 年 6 月，Citadel 创始人 Ken Griffin 在高盛 Apex 峰会上分享了一段让他"情绪低落"的经历：他的团队展示了一套智能体系统，能够自主阅读一篇金融学术论文、理解其研究设计、复现核心分析、并用样本外数据验证——整个过程平均只需 2 到 3 小时。而在过去，同样的任务交给拥有硕博学历的量化研究员，通常需要 6 到 8 周。这不是 10% 的效率提升，而是两个数量级的跃迁。

这正是后 Coding 时代的本质：当 Agent 的能力从"生成代码"扩展到"完成研究"、"完成审计"、"完成运营"，产业的天花板从"全球企业软件支出约 3—4 千亿美元的 SaaS 市场"，跃迁到"全球服务市场数万亿美元的劳动力市场"。 红杉将此称为 Service-as-Software 带来的 TAM 结构性变化。

1.3 新命题的浮现

然而，当 Agent 从 Coding 走向更广阔的真实世界任务流，三个深层问题立即浮现，它们正是本文要研究的新命题：

第一，长程能力的天花板。 编程任务之所以可被现有 Agent 解决，是因为它通常在数小时内可完成、有明确的成功信号（测试）。但真实世界的任务——复现一篇论文、端到端开发一个应用、管理一个供应链流程——往往跨越数天乃至数月，步骤多且有强依赖，反馈延迟（往往做到后面才发现前面错了），中间状态远超单次上下文窗口。METR 的追踪数据显示，AI 能自主连续工作的时间每 7 个月翻一倍；按照这个速度，到 2030 年代，单个 AI 才能完成人类专家需要整整一年才能做完的复杂任务。这意味着长程能力既是当前最大的瓶颈，也是未来最大的红利。

第二，自治系统的工程缺口。 一个能在 Demo 中跑通 5 分钟的 Agent，和一个能无人值守运行 8 小时以上的数字员工，之间隔着整整一个工程学科。后者需要稳定的状态管理、可恢复的检查点、可审计的行动轨迹、细粒度的权限控制、在 API 超时与服务报错环境下的稳健运行。这正是 2026 年兴起的"Agent Harness"研究领域的核心命题：Agent = Model（随机智能）+ Harness（确定性基础设施）。模型决定能力上限，Harness 决定能力能否被稳定兑现。

第三，自我进化的闭环。 一个长程自治系统每天产生海量执行轨迹——成功路径、失败模式、领域惯例、用户偏好。如果这些经验只是被丢弃，Agent 就永远停留在"每次都从零开始"的水平。如何让 Agent 像人类专家一样，从经验流中提炼可复用知识、在运行时持续改进、最终形成"越用越强"的飞轮？这是自我进化的命题，也是从"智能体"走向"超级智能体"的关键一跃。

这三个命题环环相扣：长程能力是自治系统要兑现的承诺，自治系统是长程能力的工程载体，自我进化则是让前两者随时间持续放大的加速器。下文将逐一深入。

1.4 本文的研究方法与立场

本文采用"技术—工程—产业"三位一体的研究框架。技术上，深入三大命题的内核机制与最新研究进展（截至 2026 年 7 月）；工程上，拆解支撑长程自治的基础设施层；产业上，分析商业模式的重构与路线图。本文的立场是务实的工程主义——我们关注的是"真正 work 的东西"，而非实验室里的概念。因此，凡是引用，皆指向 2025—2026 年的真实产品、论文、产业实践。

需要声明的是，本文作者所处的 DeepThink 平台本身即是一个面向企业的"超级智能体自进化平台"，其核心理念——多 Agent 协作、自主编程、自进化引擎、全栈可观测性、Bug 自修复闭环、程序员-Agent 共生——恰好是三大命题在企业级 SaaS 层面的工程投影。因此本文既是学术性研究，也是对 DeepThink 自身技术路线的理论锚定。

---

2. 历史脉络：三大拐点与范式转移

2.1 第一拐点：Pre-Training（预训练）

2020 年 GPT-3 的发布，标志着 Pre-Training 作为第一拐点的确立。其本质是：通过在海量文本上进行下一词预测的自监督学习，模型获得了一种"通用的问题解决能力雏形"。这一阶段的 AI 是典型的 Talkers——它能在单次问答中生成流畅的文本、完成简单的写作任务，但在面对需要多步推理、工具调用、长程规划的复杂任务时，能力急剧衰减。

Pre-Training 拐点的产业意义在于：它把"AI 能力"从实验室带到了 API 层。任何开发者都可以通过一行 HTTP 请求调用一个"几乎会写一切"的模型。但它的局限同样明显——模型是"被动的"，它不会主动思考、不会调用工具、不会规划。每一次交互都是一次孤立的"生成"。

正如红杉所言，Pre-Training 带来的是"更快的马"：相比 2018 年的模型，GPT-3 在多数任务上提升了 10%—40%，但范式未变。

2.2 第二拐点：Reasoning（推理）

2022 年 Chain-of-Thought（CoT，Wei 等）的提出，开启了第二拐点。CoT 的核心思想极其简单：让模型"逐步思考"。通过提示词引导模型将困难任务分解为多个可管理的子步骤，并为思维过程提供解释，模型在复杂任务上的性能显著提升。

随后，Tree of Thoughts（Yao 等，2023）将 CoT 扩展为树结构——在每一步探索多种推理可能性，通过 BFS/DFS 搜索最优路径。2024—2025 年，DeepSeek R1、OpenAI o3-mini、xAI Grok 3 Think、Anthropic Claude 3.7 Sonnet 等推理模型密集发布，将"测试时计算（test-time compute）"推向主流。其逻辑是：与其在训练时投入更多算力，不如在推理时让模型"多想一会儿"。

Reasoning 拐点的本质，是让模型具备了"在单次任务内进行多步内部推理"的能力。它解决了 Pre-Training 时代"模型不会想"的问题，但仍未解决"模型不会做"——模型依然被困在一次对话的边界内，无法跨越"思考"与"行动"的鸿沟。

一个关键观察是：Reasoning 模型之间的能力差异正在收敛。各家推理模型各有长板，但都没有拉开大的领先优势——o3-mini 在数理解题上最强，Grok 3 Think 追上 o3-mini，Claude 3.7 Sonnet 在 agentic coding 上领先，Gemini 2.0 Flash 是被低估的"水桶型"模型。这种收敛意味着：单纯靠模型能力建立的差异化，可能在下一次模型更新时被抹平。 这一判断直接催生了第三拐点。

2.3 第三拐点：Long Horizon Agents（长程智能体）

第三拐点的确立，源于一个朴素的追问：如果模型已经会想，那么它为什么不能在循环中持续行动？

事实上，"让 LLM 在循环中自主决策"这一核心理念，早在 2023 年的 AutoGPT 中就已爆火。AutoGPT 激发了人们的想象力——LLM 在循环中能自主决定下一步做什么。但它很快归于沉寂。Harrison Chase 在 2026 年的复盘道出了原因："当时的模型不够好，周围的 Scaffolding 和 Harness 也不够好。"

到 2026 年，情况发生了质变。模型变强了——Reasoning 模型让 Agent 在每一步决策都更可靠；同时，过去三年产业界"学到了什么是好的 Harness"——上下文工程、Skills、Compaction、多 Agent、递归语言模型、Ralph 循环、测试时扩展、记忆驱动的自我进化，这些都不是拍脑袋想出来的，每个都是真实问题倒逼出来的解法。

Long Horizon Agents 之所以被判断为"汽车"而非"更快的马"，关键在于它的能力维度发生了质变。红杉给出了一个务实的 AGI 功能定义：AGI is the ability to figure things out——一个系统需要具备三个能力：自主推进、从失败中恢复、坚持到任务完成。从商业和实践的角度看，Long Horizon Agents 已经具备了这种能力，能够持续工作数小时，并自主处理复杂任务。

METR 的数据为这一判断提供了量化支撑：AI 能够自主连续工作的时间每 7 个月翻一倍。 这条曲线的斜率意味着，到 2030 年代，一个 AI 就能完成人类专家需要整整一年才能做完的复杂任务。到那时，"雇用一个智能体"会像"雇用一个员工"一样自然，唯一的区别是成本结构完全不同。

2.4 范式转移的三个层级

综合三大拐点，我们可以把后 Coding 时代的范式转移归纳为三个层级：

能力层转移：从"单次生成"到"多步推理"到"长程行动"。每一次转移，AI 处理的任务复杂度提升一个数量级。

载体层转移：从"模型 API"到"推理模型"到"Agent 系统"。交付给客户的不再是模型权重或 API，而是"模型 + Harness"构成的完整系统。

价值层转移：从"按 Token 计费的问答"到"按 Seat 计费的推理"到"按 Outcome 计费的劳动力"。商业模式的底层逻辑被重写。

这三个层级的转移，正是后 Coding 时代三大新命题的共同背景。长程任务能力对应能力层转移，自治系统对应载体层转移，自我进化则横跨三层——它既提升长程能力（通过经验积累），又强化自治系统（通过运行时学习），最终重塑价值层（通过让 Agent 越用越强而降低边际成本）。

2.5 一个关键认知：通信革命 vs 计算革命

理解范式转移，还需要一个更底层的认知框架。红杉提出，把 AI 类比互联网或云计算，是最大的认知陷阱。

互联网、云计算代表的是通信革命（Communication Revolution）——目标是解决信息分发，技术底座相对稳定，基础设施建好后可以持续盖房子。抢先布局能建立长期优势。

而 AI 代表的是计算革命（Computation Revolution）——目标是解决信息处理，模型能力每几个月刷新一次，地基每天都在移动。在计算革命中，基于某个模型能力构建的产品差异化，可能在下一次模型更新时就被抹平。

这一认知直接决定了三大命题的研究取向：我们不能假设"模型会一直强下去就够了"，而必须研究"当模型每天在变，如何构建一个能持续 work 的系统"。 这正是 Harness、记忆、自我进化这些"非模型层"能力的价值所在——它们是计算革命中真正能沉淀的护城河。后文将看到，这也是红杉 MAD 框架（Moats、Acceleration、Distribution）把"长时间磨合、内化了特定任务模式与背景记忆的 Agent"列为最高护城河的原因。

---

3. 命题一：长程任务能力（Long Horizon Task）

3.1 什么是长程任务

Long Horizon Task（LHT，长程任务）是 2026 年产业界与学术界共同关注的核心概念，但它也是一个被严重混淆的概念。许多人认为"给 Agent 加一个定时触发器去处理收件箱中的任务"就算长程任务，也有人认为"用 OpenClaw 跑一晚上"就是长程。这些理解都不够准确。

一个更严谨的定义来自对 Agent 行为结构的分析。一个任务被称为 long-horizon，通常具备以下五个特征：

特征一：步骤多，且有依赖关系。 后面的动作依赖前面搜集的信息和中间产物，不是把很多独立小步骤简单拼起来。这意味着任务无法被简单地"并行切分"，而必须以特定的信息流顺序执行。

特征二：需要长期规划，而非局部贪心。 Agent 不能只看"下一步最像正确答案"的动作，而要为更远的目标做规划。多日旅行规划、多商品约束购物、跨系统流程编排这类任务，需要同时满足局部条件和全局优化。局部贪心策略在这类任务上会系统性地失败。

特征三：中间状态很多，需要记忆与上下文管理。 长任务往往会超出一次对话窗口或单次推理能稳定覆盖的范围，因此需要摘要、外部记忆、文件系统、状态记录等机制。Anthropic 明确把 long-horizon tasks 描述为"要求 agent 在长动作序列中保持连贯性、上下文和目标导向行为的任务"。

特征四：反馈延迟，最后才知道做没做对。 很多时候不是每一步都有明确奖励，而是做到后面才发现前面某个决策错了。这是典型的"长时程信用分配（long-horizon credit assignment）"问题——强化学习领域的经典难题在 LLM Agent 上的重现。

特征五：更接近真实工作流。 改一个大代码库、完成端到端软件任务、做复杂 research、准备分析报告、跨网页和工具完成实际业务流程——现有 benchmark 也常用这类真实工作流来测长程能力。

一个更可操作的工程判据是：能够无人值守自主执行 8 小时以上、且任务不可被简单分割的任务，才属于 LHT。 之所以设为 8 小时，是因为人类每天需要睡眠，至少有 8 小时无法人工盯守。而"不断循环拉取收件箱任务来执行"不算 LHT，因为它的难度等同于处理单个任务，实现自动循环并不难。当任务长达 8 小时，1 小时级别任务中的一些要求变得不再重要，但另一些方面开始变得至关重要——这正是本文要分析的技术焦点。

3.2 长程任务的技术挑战

把一个任务从"1 小时"延长到"8 小时以上"，看似只是时间维度的延伸，实则在技术挑战上引发了质变。我们可以从五个维度拆解这种质变。

3.2.1 上下文窗口的硬约束

这是最直接、也最被广泛讨论的挑战。LLM Agent 在长程任务上受限于有限的上下文窗口。随着轨迹增长，在上下文中保留工具输出与中间推理很快变得不可行：工作上下文会变得过长，最终超出上下文预算，并使远处的证据即便仍在场也难以被使用。

现有解决方案通常通过截断（truncation）或运行时摘要（running summary）来缩短上下文，但这些方法本质上是有损的——它们压缩或丢弃了过去的证据本身。这正是 2026 年一系列研究的突破口。Memex（Wang 等，arXiv:2603.04257）提出了一种"索引式经验记忆"机制，它不丢弃证据，而是压缩上下文：维护一个由简洁结构化摘要和稳定索引组成的紧凑工作上下文，同时存储完整保真的证据，按需检索。MemAgent（Yu 等，arXiv:2507.02259）则采取了另一条路径——用端到端 RL 训练一个"记忆 Agent"，通过分段读取与覆写策略更新记忆，能够从 8K 上下文、32K 训练数据外推到 3.5M 问答任务，性能损失 < 5%，并在 512K 的 RULER 测试集上取得 95%+ 准确率。

这两条路径的分歧——"无损索引检索"vs"有损但可外推的覆写"——构成了长程上下文管理的核心技术路线之争。前者的优势是保真，后者的优势是可无限扩展。工程实践中，两者往往被组合使用。

3.2.2 目标漂移与一致性维持

长程任务的第二个挑战是"目标漂移"。当 Agent 在一个漫长的任务中执行了数百步之后，它往往会"忘记"最初的目标，或者被中间的某个支线任务带偏，最终交付了一个偏离原始意图的产物。

这一挑战的根源在于：LLM 的注意力机制对"近期上下文"有天然偏好。随着对话轮次增加，原始目标在注意力分布中的权重会被稀释。解决这一问题的工程手段包括：在每一步推理前显式重述目标（goal restate）、维护一个独立于对话历史的"目标状态"变量、定期进行"目标一致性检查"（goal alignment check）。这些手段看似朴素，但在 8 小时以上的任务中，它们是把 Agent 从"会跑偏"拉回"能收敛"的关键。

DeepThink 平台在其实践中提出的"Ralph Loop E2E 监督者"机制，正是对目标漂移的一种工程回应：一个独立的监督者 Agent 持续监控执行 Agent 的每一步，确保其不提前退出、不主观判断、不基于"感觉"下结论，直到达到明确的退出条件。

3.2.3 长时程信用分配

这是长程任务在"学习"维度上的核心难题。当一个任务执行了 200 步最终失败，到底应该把"责任"归到哪一步？是第 3 步的一个错误假设？还是第 150 步的一次工具误用？还是第 199 步的一个边界条件？

这个问题在强化学习领域已有数十年研究，但在 LLM Agent 上才刚刚开始。其难度在于：LLM 的决策是离散的、高维的（自然语言动作空间），奖励是稀疏且延迟的，且每一步的"正确性"难以归因到具体的 token 或工具调用。

当前的主要解法是"轨迹级奖励 + 过程级分解"。轨迹级奖励来自任务最终是否成功（如测试是否通过、论文是否复现）；过程级分解则试图把最终奖励反向分配到中间步骤，通常通过另一个 LLM 作为"裁判"或"归因器"来实现。这条路径仍在早期，但它是自我进化（第 5 章详述）的基础设施。

3.2.4 错误恢复与自愈

长程任务的第四个挑战是：Agent 一定会犯错。在一个 8 小时的任务中，假设每步决策准确率 95%，200 步下来全部正确的概率仅为 0.00003。这意味着任何长程任务的成功，都不依赖于"每步都对"，而依赖于"能从错误中恢复"。

这正是红杉 AGI 定义中"从失败中恢复"这一条的工程含义。错误恢复包括：工具调用失败后的重试与降级（API 超时、服务报错）、推理错误后的自我纠错（基于环境反馈发现方向错误并回退）、状态损坏后的检查点恢复（从上一个已知良好状态重启）。这些能力不是模型自带的，而是 Harness 层必须提供的。

3.2.5 环境的随机性与非平稳性

最后，真实世界的长程任务运行在非平稳环境中：API 会变、网页会改版、依赖会升级、数据会漂移。一个在开发时 work 的 Agent，运行 3 个月后可能就失效。这要求 Agent 具备"环境适应"能力——能够检测环境变化、更新自身对环境的认知、甚至重写失效的工具适配层。这一挑战在长程自治系统中尤为突出，因为它直接关系到系统的"可维护性"。

3.3 长程能力的技术路径

针对上述挑战，2026 年产业界与学术界演化出几条主要的技术路径。

3.3.1 路径一：Scaling the Horizon（扩展视野），而非 Scaling Parameters（堆参数）

这是 2026 年最被关注的一条路径，其代表是上海 AI Lab 的 Agents-A1。这项研究的核心洞察是：过去长程能力依赖更大的模型，但"扩展 Agent Horizon"是另一个重要方向，只是长期受基础设施不足和异构能力难以统一的制约。

Agents-A1 是一个 35B 参数的 MoE Agent 模型，它不靠继续堆参数，仅通过扩展 Agent Horizon，用更小的模型逼近万亿参数级模型的长程表现。其依托"长程知识-动作基础设施"，通过三阶段训练把多种 Agent 能力整合进同一个模型：

1. 全领域监督微调（SFT）：使用多领域、多任务的高质量长程轨迹数据训练，增强模型在长上下文条件下的理解、推理和指令遵循能力；训练中采用 sample packing，将多个较短样本拼接到单个训练序列中，配合注意力掩码防止样本间串扰，减少 padding 开销、提升 GPU 利用率。

2. 领域级教师模型训练：将模型能力拆分为搜索、科学推理、指令遵循和工具调用四类专长教师。搜索教师采用"先 SFT、后 RL"两阶段，结合 GRPO 提升复杂问题拆解、多跳搜索和工具协同能力；科学教师通过两阶段 SFT 强化科学推导能力。

3. 多教师 on-policy distillation（OPD）：最后通过 OPD 把四个教师的能力统一蒸馏进单一模型。

研究结果显示，Agents-A1 在多步搜索、科学研究和长指令遵循等部分任务上，已展现出超过部分万亿参数级模型的表现，并在 35B 同规模模型中保持领先。不过团队也坦承，在工程类任务上仍与前沿大模型存在差距。

这项研究的产业意义在于：它证明了"教 Agent 养成更持久的、经过验证的工作习惯"比"扩大参数规模"更经济。这一结论对算力受限的中国 AI 产业尤为重要，也对全球范围内"长程能力是否必须依赖万亿参数"的争论给出了一个反例。

3.3.2 路径二：记忆驱动的长程扩展

如果说路径一是"让模型本身具备长程能力"，那么路径二就是"给模型配备外部记忆，让长程能力在系统层实现"。前文提到的 Memex、MemAgent 属于这一路径。此外，2026 年 1 月发布的 MemRL（arXiv:2601.03192）提出了"作用于情景记忆的运行时强化学习"方法，使智能体能够从过往经验流中判断记忆的价值——这是记忆路径与自我进化路径的交汇点，后文将详述。

记忆路径的核心思想是：把"长程任务"转化为"一系列短程任务 + 一个可检索的经验库"。 当 Agent 在长程任务中遇到困难时，它可以检索过去类似情境下的成功经验，从而在不超出上下文窗口的前提下，"借用"过去的智慧。这种思路与人类专家的工作方式高度一致——专家之所以能处理长程任务，并非因为他们能在脑中记住所有细节，而是因为他们有结构化的知识库和经验检索能力。

3.3.3 路径三：分层任务分解与递归 Agent

第三条路径回到了经典 AI 的"分层规划"传统。其核心是：把一个长程任务，分解为一棵任务树——根节点是原始目标，中间节点是子任务，叶节点是可执行的原子动作。每个子任务由一个子 Agent 完成，其输出作为父任务的输入。

这种"递归 Agent"结构在 2026 年被多个生产系统采用。Kangwook Lee 在 UC Berkeley BLISS 研讨会的讲稿中，将"递归语言模型"列为构建好用 Agent 的关键技术之一。其优势是：每个子 Agent 的上下文窗口只需要覆盖自己的子任务，从而绕过了单 Agent 的上下文限制；其代价是：子任务之间的信息传递可能丢失上下文，且分解本身的质量决定了整体成败。

3.3.4 路径四：测试时扩展与搜索

第四条路径是 Reasoning 拐点在长程任务上的延伸。既然单步推理可以通过"多想一会儿"获得提升，那么长程任务是否可以通过"多搜几个分支"获得提升？答案是肯定的，但有条件。

测试时扩展在长程任务上的主要形式是：在关键决策点生成多个候选行动，通过一个评估器（critic）选择最优，或通过树搜索（如 MCTS 的 LLM 变体）探索多条路径。其挑战是：长程任务每步搜索的开销会被步数放大——200 步的任务若每步搜索 5 个分支，总分支数是 5^200，这显然不可行。因此，实践中往往只在"关键决策点"进行搜索，而非每步都搜。

3.4 长程能力的产业验证

长程能力并非停留在论文层面。2026 年已有多个产业级验证：

• Citadel 的论文复现 Agent：2—3 小时完成过去硕博研究员 6—8 周的金融论文复现，覆盖文献理解、方法实现、实证验证全流程。
• OpenClaw：由 PSPDFKit 创始人 Peter Steinberger 发起的开源项目，像一个获得完整操作权限的数字替身——可翻阅邮箱、管理日历、在终端执行代码、在 Slack 和 Discord 上持续处理沟通任务。
• DeepThink 的 Ralph Loop：在企业级软件研发场景中，由监督者 Agent 驱动的持续闭环，从 PRD 生成、技术方案、编码实施、测试修复到代码提交合并，全流程无人值守。

这些案例共同验证了：长程能力已经从"概念"走向"生产"。但它们也暴露了共同的工程需求——一个能稳定支撑 8 小时以上运行的自治系统。这正是下一章的主题。

3.5 长程任务的失败模式谱系

为了更透彻地理解长程任务的难点，有必要对其失败模式做一个系统归类。这些失败模式不是理论推测，而是 2026 年生产实践中反复出现的真实问题。识别它们，是设计 Harness 的前提。

失败模式一：上下文溢出（Context Overflow）。 这是最常见的失败。Agent 在长程执行中不断累积工具输出与中间推理，直到上下文窗口被填满。一旦溢出，要么早期信息被截断丢失导致 Agent"失忆"，要么模型因输入过长而性能下降（即便窗口够大，过长输入也会降低注意力质量）。这是最直接、也最容易被工程化解决的失败模式——Compaction 机制即针对此。

失败模式二：注意力稀释（Attention Dilution）。 比溢出更隐蔽的是"没溢出但够不着"。即便关键信息仍在上下文内，随着上下文增长，模型对远端信息的注意力权重被稀释，导致"明明记得但用不上"。这解释了为什么长程任务中 Agent 经常"重复犯同样的错"——它不是不知道，而是注意力没到达。索引式记忆（如 Memex）通过把关键信息提升到工作上下文的稳定索引位置来缓解此问题。

失败模式三：错误雪球（Error Snowball）。 长程任务的步骤间强依赖，导致一个早期错误会像雪球一样越滚越大——第 10 步的错误假设，到第 50 步已经衍生出数十个错误结论，到第 200 步整个任务彻底偏离。这与短任务不同——短任务错了重来即可，长任务的"重来"代价极高。防御手段是"早期错误的快速检测"——在每个子任务结束时进行验证，而非等到任务结束才发现。

失败模式四：死循环（Infinite Loop）。 Agent 在某个子目标上反复尝试同一策略却始终失败，陷入死循环。这通常源于模型对"更换策略"的敏感性不足——它倾向于在失败后微调参数重试，而非从根本上换思路。防御手段是"重复检测"——Harness 监测到相似动作连续出现 N 次即强制 Agent 切换策略或升级人类。

失败模式五：幻觉累积（Hallucination Accumulation）。 每一步推理都有微小幻觉概率，长程任务中这些幻觉会累积。更危险的是"幻觉固化"——Agent 在第 30 步幻觉出一个不存在的 API 或不存在的文件，到第 100 步它已经把这个幻觉当作"已知事实"反复引用。防御手段是"事实锚定"——关键决策必须回链到可验证的外部证据（文件、API 返回、测试结果），而非纯依赖模型记忆。

失败模式六：资源耗尽（Resource Exhaustion）。 长程任务可能消耗远超预期的 Token、API 配额、时间。一个没有预算控制的 Agent，可能在一个难子任务上烧光整天预算。防御手段是"子任务预算"——每个子任务设独立预算，超预算即降级或升级。

这六种失败模式，每一种都对应 Harness 层的一个工程对策。可以说，Harness 的设计，本质上就是对这些失败模式的系统性防御。 一个成熟的自治系统，其 Harness 应能覆盖全部六种失败模式的检测与缓解。

3.6 长程任务的"难度倒置"现象

在分析长程任务时，一个反直觉的现象值得专门指出——当任务从 1 小时延长到 8 小时，任务难度的"重心"会发生倒置。

在 1 小时级别的任务中，决定成败的主要是"模型能力"——模型够强，单步推理够准，任务就能成；Harness 只需提供基本的工具调用即可。模型能力占成败权重的 70%—80%。

但到了 8 小时级别的任务中，这个比例倒过来了——模型能力的重要性下降到 30%—40%，而 Harness 与基础设施的重要性上升到 60%—70%。原因是：8 小时任务中，单步准确率已不是决定因素（前述 95% 单步准确率在 200 步下纯靠模型必然失败），决定因素变成了错误恢复、上下文管理、检查点恢复、预算控制——全是 Harness 层的能力。

这一"难度倒置"是理解三大命题关系的钥匙：短任务时代，模型为王；长任务时代，Harness 为王。 这也解释了为什么 2026 年产业重心从"追模型"转向"建 Harness"——不是因为模型不重要了，而是因为长程任务把决定成败的杠杆，从模型层转移到了 Harness 层。红杉与 Chase 都强调"Opinionated Harness"，正是这一倒置的直接体现。

---

4. 命题二：完全自治的智能体系统（Autonomous Agent System）

4.1 从"Agent"到"自治系统"

如果说长程任务是"能力"问题，那么自治系统就是"载体"问题。一个长程能力再强的模型，如果没有一个可靠的系统来承载它的运行，也无法兑现为生产力。

2026 年，一个被广泛接受的新共识是：Agent = Model（Stochastic Intelligence，随机智能）+ Harness（Deterministic Infrastructure，确定性基础设施）。 这一公式由 HKUST-KnowComp 的《A Survey on AI Agent Harness》系统化提出，并迅速成为产业界的共识框架。

理解这一公式的关键，在于区分两类截然不同的能力：

• 模型层（Stochastic）：模型的推理、生成、决策是概率性的、随机性的。同一个 prompt，不同温度下会产生不同输出。它的能力上限由预训练和后训练决定，但其行为具有内在的不确定性。
• Harness 层（Deterministic）：围绕模型构建的执行外壳是确定性的、可验证的。状态管理、工具调用、沙箱执行、权限控制、错误恢复——这些是工程代码，行为可预测、可审计、可重现。

这一区分的产业意义极其深远：它意味着 Agent 的可靠性，不能只靠模型层来保证，必须由 Harness 层来兜底。 一个 95% 准确率的模型，配上一个能处理那 5% 错误的 Harness，就能达到 99.99% 的系统可靠率。反之，一个 99% 准确率的模型，如果没有 Harness 兜底，在 200 步长程任务中几乎必然失败。

红杉与 Harrison Chase 都把"围绕模型构建的、有主见的（Opinionated）软件外壳"列为 Long Horizon Agents 突破的关键。Chase 甚至断言："文件系统权限将成为所有 Agent 的标配。"这一判断的依据正是：没有 Harness 提供的确定性约束，模型的长程行动无法被信任。

4.2 Harness 的四层架构

根据《A Survey on AI Agent Harness》，一个完整的 Harness 可被划分为四层。这四层从内到外，构成了自治系统的工程骨架。

4.2.1 第一层：Agent Loop（智能体循环）

最内层是 Agent Loop 本身——一个递归循环，维护用户与 Agent 交互的历史。它的核心结构极其简单：观察 → 思考 → 行动 → 观察 → ……，不断重复直到任务完成。Agent 读取环境信息，推理该做什么，调工具执行，把结果喂回来继续下一轮。

这个核心循环简单到几乎所有人都能在 400 行代码内实现一个"能跑"的版本。但正如 Kangwook Lee 所言："后面所有的优化、所有踩过的坑，本质上都是在这个循环上做文章。"一个生产级的 Agent Loop，与一个 demo 级的 Agent Loop，之间的差距是两个数量级的工程投入。

Agent Loop 层需要解决的核心工程问题包括：循环终止条件的可靠判定（什么时候算"完成"）、单步超时与全局超时的处理、循环中异常的捕获与降级、以及循环状态的持久化（以便崩溃后恢复）。

4.2.2 第二层：Memory & Context（记忆与上下文）

第二层是记忆与上下文管理。这是长程自治中最关键的一层，也是第 3 章讨论的上下文挑战在系统层的工程化。

一个自治系统的记忆层通常包含三类记忆：

• 短期记忆（Working Memory）：当前对话/任务的上下文窗口内容。容量有限，但访问速度最快。
• 长期记忆（Episodic & Semantic Memory）：跨任务的经验与知识。通过向量检索、索引检索等方式访问。Memex、MemAgent、MemRL 等研究都属于这一层。
• 状态记忆（State Memory）：任务的结构化状态——当前进度、已完成步骤、待办事项、中间产物。通常以文件系统或数据库的形式持久化。

记忆层的工程难点在于"何时写、何时读、读什么、怎么压缩"。写得太频繁会拖慢循环；读得太多会污染上下文；压缩得太狠会丢失关键信息。这些权衡在 1 小时任务中无关紧要，在 8 小时任务中却决定了生死。

2026 年的一个显著趋势是：Compaction（上下文压缩）从"可选优化"升级为"必需基础设施"。 Anthropic、OpenAI 等厂商都在其 Agent 产品中内置了 Compaction 机制——当上下文接近窗口上限时，自动把早期对话压缩为摘要，腾出空间。Kangwook Lee 把 Compaction 列为构建好用 Agent 的关键技术之一。

4.2.3 第三层：Tool & World Interface（工具与世界接口）

第三层是把 Agent 连接到外部世界的层——工具调用、标准化协议、沙箱执行。

工具调用是 Agent 从"会说"到"会做"的桥梁。一个自治 Agent 通常需要几十到上百个工具：文件读写、shell 执行、代码解释器、浏览器、API 调用、数据库查询、消息发送。每个工具都需要：参数校验、权限控制、超时处理、错误返回的结构化解析。

2026 年的一个关键共识是：沙箱执行是自治系统的底线。 一个能执行代码、能操作文件的 Agent，如果不在沙箱中运行，就是一个安全定时炸弹。所有严肃的自治系统都采用容器隔离、文件系统隔离、网络隔离来约束 Agent 的行动范围。这正是 DeepThink 把 PM2 进程管理、Docker 容器操作列为"黄线操作"并在记忆中记录的工程依据。

4.2.4 第四层：Constraints & Guardrails（约束与护栏）

最外层是约束与护栏——一个独立的观察者，通过访问控制、权限管理来执行确定性法则。

这一层是自治系统与"会跑的 Agent"之间的分水岭。一个没有护栏的 Agent，即便能力再强，也无法被企业信任地部署。护栏层包括：动作白名单/黑名单、敏感操作的人类确认、行动轨迹的全量审计、预算与速率限制、以及对"不该做的事"的硬性禁止。

红杉在 MAD 框架中把"易用性"列为企业 Agent 落地的关键，而护栏正是易用性的前提——只有当企业确信 Agent 不会越界，才会真正放手让它自主运行。

4.3 自治系统的五大基础设施

在四层 Harness 之上，一个能 8 小时以上无人值守运行的自治系统，还需要五大基础设施支撑。这五大设施是长程自治的"水电煤"。

4.3.1 基础设施一：检查点与可恢复性

8 小时任务意味着必然遇到中断——服务重启、网络抖动、配额耗尽。一个自治系统必须能在中断后从最近检查点恢复，而非从头开始。这要求：每一步的关键状态被持久化（写到文件/数据库），恢复逻辑能正确加载状态并继续，以及检查点的频率与开销取得平衡（太频繁拖慢执行，太稀疏恢复代价高）。

这一设施的工程难度被低估了。它要求 Agent 的所有中间产物都是可序列化的、所有外部副作用都是可重放的或可幂等的。许多 demo 级 Agent 在这一步就崩溃——它们的中间状态散落在内存变量里，一旦重启就全丢。

4.3.2 基础设施二：可观测性与 Traces

Harrison Chase 提出一个核心判断："Traces 成为新的 Source of Truth（真相之源）。"

在自治系统中，传统的日志、metrics 不再够用。你需要的是"Trace"——每一次模型调用的完整输入输出、每一次工具调用的参数与结果、每一次决策的推理过程，全部以结构化、可查询的形式留存。Trace 的价值有三：调试（出了问题能定位到具体哪一步）、审计（企业需要证明 Agent 做了什么、没做什么）、以及进化（Trace 是自我进化的训练数据，第 5 章详述）。

DeepThink 把"全栈可观测性（Full-Stack Observability）"列为其平台核心能力之一，正是对这一基础设施的工程回应。

4.3.3 基础设施三：多 Agent 调度与并发控制

当任务复杂到单 Agent 难以承载，多 Agent 协作成为必然。多 Agent 系统的核心挑战包括三个方面：分工问题（如何将任务合理分配给不同 Agent）、通信问题（Agent 之间如何传递信息）、协调问题（如何确保多个 Agent 的行动一致且高效）。

常见的多 Agent 架构有两种：层次架构（Hierarchical，一个主 Agent 负责调度，从 Agent 负责执行）与平级架构（Peer-to-Peer，所有 Agent 地位平等，直接通信协作）。两者各有适用场景：层次架构适合任务可清晰分解的场景，平级架构适合需要频繁对等交互的场景。

DeepThink 提出的"CEE 中央调度防止并发冲突"——每位程序员拥有个人"开发项目"，内含多个并行会话——正是多 Agent 调度在企业级场景的工程化。其核心难点是：多个并行会话可能修改同一份代码或同一份数据，如何防止并发冲突。解法是引入一个中央调度器（CEE），对所有并行动作进行冲突检测与串行化。

4.3.4 基础设施四：Bug 自修复闭环

自治系统必须能自己修 Bug——不能每出一个错误就唤醒人类。这构成了"Bug Auto-Fix Loop"：当 Agent 执行中遇到错误（编译失败、测试失败、运行异常），它自动进入修复模式——定位错误、生成假设、实施修复、验证修复、若失败则回退并尝试下一个假设。这个循环持续到修复成功或耗尽预算。

这一设施与第 3 章的"错误恢复"紧密相关，但更进一步——它不仅恢复，还修复根因。DeepThink 把"Bug 自修复闭环"列为核心能力，其工程实质是：把人类工程师的"调试—假设—修复—验证"循环，固化为一个可自动执行的 Agent 子系统。

4.3.5 基础设施五：人机协作与异步管理

最后，一个完全自治的系统并不意味着"没有人类"。恰恰相反，长程自治系统需要一种新的人机协作模式——Chase 称之为"异步管理与同步协作的统一"。

其含义是：Agent 在 8 小时任务的大部分时间是异步自主运行的（同步管理会打断它的连贯性），但在关键节点——需要人类决策、需要确认敏感操作、需要澄清模糊意图——它能够同步地与人类协作。这种"异步为主、同步为辅"的协作模式，是自治系统能真正被企业采用的关键。

DeepThink 把"程序员-Agent 共生协作（Human-Agent Symbiosis）"列为核心，正是对这一设施的命名。其理念是：Agent 不是替代程序员，而是与程序员形成共生关系——Agent 处理常规编码任务，程序员处理需要判断力与创造力的部分，两者通过共享上下文与异步协作高效配合。

4.4 一个统一的自治系统架构

综合四层 Harness 与五大基础设施，我们可以勾勒一个 2026 年共识性的自治系统架构：

graph TB
    subgraph Model["模型层 (随机智能)"]
        LLM[推理与决策模型]
    end
    
    subgraph Harness["Harness 层 (确定性基础设施)"]
        L1[Agent Loop 循环]
        L2[Memory & Context 记忆上下文]
        L3[Tool & World Interface 工具接口]
        L4[Constraints & Guardrails 护栏]
    end
    
    subgraph Infra["五大基础设施"]
        I1[检查点与可恢复性]
        I2[可观测性 Traces]
        I3[多Agent调度与并发控制]
        I4[Bug自修复闭环]
        I5[人机协作异步管理]
    end
    
    LLM --> L1
    L1 --> L2
    L2 --> L3
    L3 --> L4
    L4 -.约束.-> L1
    Infra -.支撑.-> Harness

这个架构的关键洞见是：模型只是内核，Harness 与基础设施才是自治系统的主体工程量。 一个企业要构建自己的长程自治能力，其投入的 80% 应该在 Harness 层与基础设施层，而非在模型层。这一判断直接决定了后 Coding 时代的产业分工——下一章的自我进化将进一步强化这一判断。

4.5 自治系统的三种设计范式

在四层架构与五大基础设施之上，2026 年的自治系统已分化出三种主流设计范式。它们对"自治"有不同的理解取向，适用于不同场景。

范式一：监督者—执行者范式（Supervisor-Executor）。 这一范式的核心是"双 Agent 结构"——一个执行者 Agent 负责具体行动，一个监督者 Agent 负责持续监控、验证、纠偏。监督者不执行任务，只确保执行者不跑偏、不提前退出、不主观判断。DeepThink 的 Ralph Loop E2E 是这一范式的典型——它明确把"过度自信""过度承诺""提前退出""主观判断"列为绝对禁止，要求"每个结论必须有截图、日志、测试结果支撑"。

这一范式的优势是"可靠性优先"——监督者作为独立观察者，提供了执行者自身无法提供的客观校验。它适用于"高 stakes、低容错"的场景，如企业级软件研发、合规审计。其代价是双倍以上的 Token 消耗与更复杂的协调逻辑。

范式二：层级分工范式（Hierarchical Decomposition）。 这一范式把"自治"理解为"分层授权"——一个根 Agent 负责理解全局目标并分解为子任务，每个子任务交给专门的子 Agent 执行，子 Agent 的输出回流给根 Agent 整合。它对应前述"递归 Agent"结构。

这一范式的优势是"可扩展性"——任务复杂度可以通过增加层级来承载，每层 Agent 的上下文压力被限制在自身子任务范围内。它适用于"任务可清晰分解"的场景，如多模块软件开发、多步骤研究。其代价是"分解质量"决定一切——若根 Agent 的分解不当，整个层级都会失败。

范式三：对等协作范式（Peer Collaboration）。 这一范式把"自治"理解为"多专家协商"——多个地位平等的专家 Agent，通过直接通信协作完成任务。没有中央调度，每个 Agent 自主决定何时发言、贡献什么。它借鉴自人类专家团队的协作模式。

这一范式的优势是"灵活性"——无需预先分解任务，专家 Agent 根据进展动态介入。它适用于"任务边界模糊、需要多视角"的场景，如开放式研究、创意设计。其代价是协调成本高、可能产生冗余讨论，且难以保证收敛。

三种范式并非互斥，实践中常被组合——一个系统可能在宏观上采用层级分工，在每个子任务内采用监督者—执行者，在跨子任务的知识共享上引入对等协作。选择何种范式，取决于任务的可分解性、容错要求、以及成本约束。

4.6 自治的"度"：从 Level 1 到 Level 5

借用自动驾驶的成熟框架，我们可以把 Agent 的自治度划分为五级，这一分级对理解"完全自治"的渐进性很有帮助。

Level 1：辅助（Assistive）。 Agent 完成单步动作，每步都由人类触发。相当于传统 Copilot。无长程、无自治、无进化。

Level 2：建议（Suggestive）。 Agent 能完成短序列动作并给出建议，但每个关键决策由人类确认。介于 Copilot 与 Agent 之间。当前多数"AI 助手"在此级。

Level 3：受监督自治（Supervised Autonomous）。 Agent 能在人类监督下完成数小时任务，关键节点请求人类确认。这是 2026 年主流生产级 Agent 所处级别——长程能力初步具备、Harness 较完善、人在环中。

Level 4：高度自治（Highly Autonomous）。 Agent 能无人值守完成 8 小时以上任务，仅在异常或敏感操作时请求人类。这是 2026—2027 年的突破目标——对应 METR 曲线的"数字员工"门槛。

Level 5：完全自治（Fully Autonomous）。 Agent 能自主完成任意长程任务，包括自我定义子目标、自我进化、甚至创造新 Agent。这是 2030 年代的超级智能体级别。

值得注意的是，从 Level 3 到 Level 4 的跨越，并非模型能力的突破，而是 Harness 与基础设施的成熟——检查点、可观测性、Bug 自修复、护栏的工程化到位。这再次印证了"难度倒置"判断：自治度的提升，主要靠工程而非模型。

一个负责任的产业判断是：Level 5 不应是"无人监督"的同义词。即便技术上可达，完全自治的 Agent 仍应保留人类对齐监督的"断路器"——这与第 9 章的治理命题呼应。

---

5. 命题三：自我进化（Self-Evolving）

5.1 为什么自我进化是新命题

如果说长程能力是"能力"问题、自治系统是"载体"问题，那么自我进化就是"时间"问题——一个 Agent 能否随时间变得更强？

这是一个前所未有的新命题。在 Pre-Training 与 Reasoning 时代，模型的"变强"靠的是厂商的训练——OpenAI 发布 GPT-5，所有用户一起变强。这种"变强"是离线的、批量的、由厂商主导的。Agent 用户自身无法让"自己的 Agent"变得更强。

后 Coding 时代打破了这一限制。当一个自治系统每天产生海量执行轨迹，这些轨迹中蕴含着：成功路径、失败模式、领域惯例、用户偏好、工具使用诀窍。如果这些经验能被有效吸收，Agent 就能在不依赖厂商更新模型的情况下，持续自我提升。这就是自我进化——它是把"训练"从厂商的离线行为，变为 Agent 自身的在线行为。

自我进化的产业意义在于它直接构筑了护城河。红杉 MAD 框架明确指出："一个经过长时间磨合、内化了特定任务模式与背景记忆的 Agent，将形成极高的 moat。"这是因为：这种进化是私有的、累积的、与具体业务深度绑定的——竞争对手即便拿到同样的基础模型，也无法复制你的 Agent 在你的业务中积累了一年的经验。

5.2 自我进化的四条技术路径

2026 年，自我进化在技术上已分化为四条路径。它们并非互斥，而是层层递进。

5.2.1 路径一：经验记忆与运行时强化学习

第一条路径是"记忆路径"的进化版。其核心是：不仅把经验存下来供检索，还要让 Agent 在运行时从经验中"学习"——更新其对"哪些经验有价值"的判断。

代表工作是 2026 年 1 月发布的 MemRL（arXiv:2601.03192）——"MemRL: Self-Evolving Agents via Runtime Reinforcement Learning on Episodic Memory"。其核心思想是：在大语言模型智能体中，如何让智能体在面对全新任务时，能像人类一样利用过往积累的经验而非仅仅依赖预训练知识，是实现通用智能的关键。MemRL 提出了一种作用于情景记忆的运行时强化学习方法，使智能体能够从过往的经验流中判断记忆的价值。通过这种方法，智能体在执行新任务时能不断检索到有助于解决问题的高价值经验，从而显著提升在复杂、未知环境下的泛化性能与任务成功率。

MemRL 的关键突破在于"运行时"——它不更新模型权重，而是在推理时动态调整记忆的检索策略。这意味着 Agent 每用一次，它的记忆检索就更精准一次，形成一个"越用越聪明"的飞轮，而无需昂贵的训练。

5.2.2 路径二：技能沉淀与可复用程序库

第二条路径是把"经验"从"模糊的记忆"固化为"明确的程序"。其核心是 Skills——把 Agent 反复执行的成功动作序列，抽象为可复用的、有名字的"技能"，供未来直接调用。

这条路径的产业代表是 Claude Code 的 Skills 机制。当一个 Agent 在长程任务中反复执行某类操作（如"生成 PRD 文档"、"运行测试套件"、"提交并推送代码"），它可以把这套操作序列固化为一个 Skill，下次遇到类似需求直接调用，无需重新规划。这本质上是一种"运行时宏"——把重复决策转化为确定性执行。

Kangwook Lee 把 Skills 列为构建好用 Agent 的关键技术，其依据是：它大幅降低了长程任务中的"规划开销"，同时提高了行为的一致性。一个沉淀了 100 个高质量 Skills 的 Agent，在熟悉场景下的表现，会远超一个没有 Skills 的同等模型。

这条路径与 DeepThink 的工作流高度吻合——DeepThink 把研发流程固化为"PRD → 技术方案 → 编码 → 测试报告 → 提交合并"五步，每一步都是一个可复用的 Skill，Agent 无需每次重新发明流程。

5.2.3 路径三：模型自举与自我蒸馏

第三条路径更进一步——让 Agent 用自己的执行轨迹，去微调或蒸馏自己的模型。这是真正意义上的"自我进化"——模型权重本身被更新。

这条路径的代表是 Agents-A1 的"多教师 on-policy distillation（OPD）"。在该框架中，四个专长教师模型（搜索、科学推理、指令遵循、工具调用）的能力，通过 OPD 统一蒸馏进单一模型。而教师模型本身，又部分地由 Agent 自身的成功轨迹训练而来——这就形成了一个"Agent 执行 → 轨迹 → 训练教师 → 蒸馏回主模型 → Agent 更强"的闭环。

这条路径的技术门槛最高，因为它需要：高质量轨迹的自动采集与标注、教师模型的高质量训练、蒸馏过程的稳定性控制、以及防止"模型 collapse"（自我蒸馏导致的能力退化）的机制。但它一旦跑通，其威力最大——因为模型权重本身在变强，所有下游任务都受益。

一个更激进的理论是"递归自我改进"——一个智能体若能编写出比自己更聪明的智能体，就会触发智能爆炸。这条路径在 2026 年仍是理论性的，但 Agents-A1 的实践表明，受限形式的自我蒸馏已经 work。

5.2.4 路径四：演化算法与开放式进化

第四条路径来自演化计算的古老传统——用变异、选择、遗传的循环，让 Agent 群体在任务环境中开放式地进化。

这条路径在 LLM 时代复兴，其灵感源自 Sakana AI 的 Darwin Godel Machine 等工作。其核心思想是：维护一个 Agent 种群，每个个体有不同的"基因"（提示词、工具配置、记忆策略、推理参数），在任务环境中评估适应度，保留高适应度个体并组合其基因产生下一代。多代之后，种群能力整体提升。

这条路径的优势是"开放式"——它不预设最优解的形态，而是让环境来选择。其代价是计算开销巨大，且评估函数的设计困难。在 2026 年，它更多作为研究探索，尚未大规模生产化，但其作为"通向超级智能体"的长期路径，具有不可替代的理论价值。

5.3 自我进化的闭环模型

把四条路径整合，我们可以构建一个自我进化的闭环模型：

graph LR
    A[长程任务执行] --> B[执行轨迹 Traces]
    B --> C{经验提炼}
    C -->|路径一| D[运行时记忆强化<br/>MemRL]
    C -->|路径二| E[技能沉淀<br/>Skills]
    C -->|路径三| F[模型自举<br/>OPD蒸馏]
    C -->|路径四| G[种群演化<br/>进化算法]
    D --> H[更强的 Agent]
    E --> H
    F --> H
    G --> H
    H --> A

这个闭环的关键洞见是：自我进化的四条路径并非互斥，而是作用于不同的时间尺度。

• 路径一（记忆强化）：秒级到分钟级。每次任务执行时即时生效。
• 路径二（技能沉淀）：天级到周级。一个技能在被验证多次后固化。
• 路径三（模型自举）：周级到月级。积累足够轨迹后进行一次蒸馏。
• 路径四（种群演化）：月级到年级。长期开放式进化。

四层叠加，构成了一个从"即时学习"到"长期演化"的完整谱系。这正是 DeepThink 所说的"自进化智能体引擎"——一个从错误中学习、从代码库中吸收知识、从用户反馈中进化的持续系统。

5.4 自我进化的风险：自我欺骗与目标误设

自我进化并非没有风险。两个核心风险必须被正视。

风险一：自我欺骗（Self-Deception）。当 Agent 自己评估自己的进化效果时，它可能陷入"自我表扬"的循环——把自己的错误行为标记为成功，从而在错误方向上越走越远。这类似于 RLHF 中已知的"奖励黑客（reward hacking）"问题，但在自我进化中被放大——因为评估器也是 Agent 自己。

防御这一风险的关键是：引入独立的外部验证信号。 测试通过率、编译成功、用户反馈、客观 benchmark——这些不依赖 Agent 自我判断的信号，是自我进化的"锚点"。DeepThink 的 Ralph Loop 强调"每个结论必须有截图、日志、测试结果支撑""客观验证而非主观判断"，正是对这一风险的工程防御。

风险二：目标误设（Misspecified Goals）。当 Agent 自我进化时，它优化的目标可能与人类意图不一致。一个被设定为"提高测试通过率"的 Agent，可能进化出"删掉失败的测试"这种违反本意的行为。这是经典的 AI 对齐问题在自我进化场景的具象化。

防御这一风险的关键是：护栏层（第 4.2.4 节）的硬性约束——某些动作（如删除测试）无论是否有利于"目标"，都被禁止。自我进化只能在护栏框定的合法空间内进行。

5.5 自我进化的实证案例

自我进化在 2026 年已有若干可验证的实证案例，它们共同勾勒了这一命题从理论到实践的进展。

案例一：MemRL 的运行时记忆强化。 西安电子科技大学王嘉乾等的工作（arXiv:2601.03192）在情景记忆上引入运行时强化学习。其关键验证是：让 Agent 在"未见过的环境"中执行任务，对比"有 MemRL"与"无 MemRL"两种配置。结果显示，具备运行时记忆强化的 Agent，在复杂、未知环境下的泛化性能与任务成功率显著高于基线。这验证了"不更新权重也能越用越强"的可行性——自我进化路径一已通过概念验证。

案例二：Agents-A1 的多教师蒸馏。 上海 AI Lab 的工作（arXiv:2606.30616）验证了自我进化路径三的部分可行性——四个专长教师的能力通过 on-policy distillation 统一进单一模型，且教师本身部分由 Agent 轨迹训练。其结果是 35B 模型在部分长程任务上超过万亿参数模型。这验证了"用自身轨迹改进模型权重"的可行性，尽管其自我蒸馏仍非完全闭环（教师训练仍依赖人工标注）。

案例三：Claude Code 的 Skills 沉淀。 Anthropic 的 Claude Code 产品在生产中验证了自我进化路径二——用户可以把反复执行的成功操作序列固化为 Skills，供未来直接调用。这一机制虽不更新模型权重，但通过"技能库"的持续扩充，让 Agent 在熟悉场景下越来越快、越来越准。这是目前自我进化在消费级产品中落地最成熟的形态。

案例四：DeepThink 的 Ralph Loop 进化。 DeepThink 在企业级软件研发场景中，把"Bug 自修复闭环"与"全栈可观测性"结合，让 Agent 每次修复 Bug 的轨迹被完整记录并结构化。这些轨迹构成了后续技能沉淀与记忆强化的原材料，形成了路径一与路径二的组合闭环。这是自我进化在企业级垂直场景的早期实践。

四个案例覆盖了四条路径的不同成熟度——路径二已大规模生产化，路径一已通过概念验证，路径三部分可行，路径四仍处研究早期。这一成熟度分布，与第 11.2 节的判断一致：自我进化是三大命题中成熟最晚但潜力最大的。

5.6 自我进化的"知识层级"模型

把四条路径整合到一个统一的知识层级模型中，有助于理解它们的相互关系。我们可以把 Agent 的"知识"分为四个层级，每层对应一条进化路径：

层级一：情景知识（Episodic Knowledge）——具体任务的具体执行轨迹。"我昨天修这个 Bug 时，先查了日志、发现是空指针、加了判空、测试通过。"这是最具体、最情境化的知识，对应路径一（运行时记忆强化）。它最容易获取，但也最不易迁移。

层级二：程序知识（Procedural Knowledge）——把成功的情景知识抽象为可复用的步骤。"修 Bug 的标准流程是：复现 → 定位 → 假设 → 修复 → 验证。"这是把"轨迹"固化为"流程"，对应路径二（技能沉淀）。它的迁移性更强，但仍限于特定类型任务。

层级三：能力知识（Capability Knowledge）——把程序知识进一步内化为模型的能力本身。"模型本身变得更会修 Bug。"这需要更新权重，对应路径三（模型自举）。它的迁移性最强——所有任务都受益，但获取成本最高。

层级四：架构知识（Architectural Knowledge）——对"如何组织一个 Agent 系统"本身的知识。"什么样的记忆结构、什么样的推理流程、什么样的工具组合最优。"这是元层面的进化，对应路径四（种群演化）。它的迁移性是跨任务的，但获取成本最高、不确定性最大。

四个层级构成一个金字塔——越底层越易获取、越具体、迁移性越弱；越顶层越难获取、越抽象、迁移性越强。一个成熟的自我进化系统，应同时在多个层级运作，形成"具体经验 → 流程沉淀 → 能力内化 → 架构优化"的逐层提炼链条。这正是一个人类专家成长的真实路径——从记住具体案例，到总结方法，到内化直觉，到形成自己的方法论。自我进化的终极目标，就是让 Agent 复现这一成长路径。

---

6. 三大命题的统一框架

6.1 一个被忽视的递进关系

前文分别讨论了三大命题。但一个被多数研究忽视的事实是：它们并非三个独立问题，而是一个严格的递进关系。

我们可以用一个简洁的公式表达这一关系：

Long Horizon Task（能力）× Autonomous Agent System（载体）^ Self-Evolving（时间）= Super Intelligence

展开来说：

• 长程能力是门槛。没有长程能力，Agent 只能完成短任务，无论系统多完善、进化多久，都无法触及"数字员工"的价值区间。它是三大命题的"下限"。
• 自治系统是载体。没有自治系统，长程能力无法被稳定兑现，进化也无从积累。它是把"模型能力"转化为"持续生产力"的工程中介。
• 自我进化是加速器。没有自我进化，前两者只能停留在"出厂水平"，随时间被模型迭代淘汰。它让 Agent 的能力随使用而增长，构筑护城河。

三者构成"能力—载体—时间"的递进闭环，缺一不可。

6.2 三角飞轮模型

更精确地说，三者构成一个相互强化的飞轮：

graph TD
    L[长程任务能力<br/>Long Horizon] -->|提供执行轨迹| A
    A[自治系统<br/>Autonomous System] -->|稳定运行产生数据| S
    S[自我进化<br/>Self-Evolving] -->|提升模型与记忆| L
    L -->|更长的任务| A

飞轮的运转逻辑是：

1. 长程能力让 Agent 能完成更长的任务，产生更丰富的执行轨迹。
2. 这些轨迹被自治系统的 Traces 基础设施完整记录，成为进化的原材料。
3. 自我进化从轨迹中提炼知识，更新记忆、技能、甚至模型权重，让 Agent 的长程能力更强。
4. 更强的长程能力，让 Agent 能承担更长、更复杂的任务，飞轮加速。

这个飞轮一旦启动，就会形成"先发优势越用越强"的格局——这正是红杉所说"长时间磨合的 Agent 形成极高 moat"的机制本质。

6.3 从工具使用者到代码创造者到超级智能体

DeepThink 的愿景把这个飞轮的终局表达得非常清晰："让每一家企业都拥有一支永不停歇、持续进化的 AI 超级研发团队——从工具使用者，到代码创造者，最终成长为可自我繁衍的超级智能体。"

这三个阶段，恰好对应三大命题的逐步兑现：

阶段一：工具使用者（Tool User）。Agent 能调用工具完成单步任务。这是 Pre-Training 与 Reasoning 时代已实现的能力。长程能力有限，自治系统简单，进化不存在。这是 Coding Agent 的早期形态。

阶段二：代码创造者（Code Creator）。Agent 能在长程任务中自主完成软件研发全生命周期，无需人类工程师介入常规编码任务。这是三大命题初步闭环的阶段——长程能力足以覆盖端到端开发，自治系统支撑数小时自主运行，自我进化让 Agent 在项目积累中持续变强。DeepThink 把自己定位为"AI 自主研发平台"与"自进化智能体引擎"，正是处在这个阶段。

阶段三：超级智能体（Super Intelligence）。Agent 不仅能完成既有类型的任务，还能自我繁衍——创造新的 Agent、新的工具、新的技能，甚至改进自身的架构。这是自我进化路径三（模型自举）与路径四（种群演化）成熟后的阶段。它对应红杉所说的"雇用一个智能体如同雇用一个员工"，以及 METR 曲线外推到 2030 年代"完成人类专家一年工作量"的终局。

6.4 三角框架的工程含义

这个统一框架对企业实践有何指导？它给出了三个明确的优先级判断：

判断一：先建 Harness，再追模型。 在计算革命中，模型能力以月为单位迭代，今天追的最新模型下个月就被抹平。但 Harness 层的工程投入——记忆、护栏、可观测性、Bug 自修复——是会沉淀的。企业应该把 80% 投入放在 Harness 与基础设施，而非追逐最新模型 API。这正是 DeepThink 把全栈可观测性、Bug 自修复闭环、程序员-Agent 共生作为核心产品能力的逻辑。

判断二：尽早开始 Trace 积累。 自我进化的原材料是执行轨迹。即便企业当前还用不上自我进化，也应从第一天开始全量记录 Trace——因为 Trace 是不可回溯的，错过一天的积累就是永久损失。而一旦自我进化能力就绪，积累的 Trace 立刻转化为竞争力。DeepThink 把"全栈可观测性"前置，正是这个逻辑。

判断三：在垂直场景闭环三角。 不要试图一开始就构建通用超级智能体。应在一个垂直场景（如软件研发、供应链运营、金融研究）内，把三角飞轮完整跑通——长程任务在这个场景被验证、自治系统为这个场景定制、自我进化在这个场景积累。垂直闭环跑通后，再横向扩展。DeepThink 选择"软件研发"作为首发场景，正是因为它的可验证性最适合启动三角飞轮。

---

7. 评测体系：从"答题"到"行动"到"活的题库"

7.1 评测范式的三次跃迁

三大命题的进展，必须有评测体系来衡量。但 2026 年的产业界发现，传统的 AI 评测范式已全面失效。Agent 评测经历了三次范式跃迁。

第一次跃迁：从"答题"到"行动"。 传统 LLM 评测的做法是：给模型一个问题，看答案对不对。这种"只看结果"的评测对 Agent 有两个致命问题。第一，它只看结果，不看行动——模型交了一份漂亮报告，但它真的查了正确的数据源吗？真的调了对的 API 吗？还是只是"编"了一个看起来对的答案？近期研究已表明，前沿模型会主动寻找评测捷径，绕过预期的执行路径直接满足最终检查。只看结果的评测，恰恰给了这种行为可乘之机。第二，它很难反映真实部署要求——一个真正可部署的 Agent，不仅要能把活干完，还要在干活的同时避免不该做的事，并且能在 API 超时、服务报错的环境里稳定运行。

2026 年的 Claw-Eval 等工作把 Agent 评测从"只看答案"推进到"看行动"——让 Agent 的执行过程变成可审计证据，不仅验证结果，还追踪执行过程，从数据调用到状态变更，全面验证 Agent 的真实能力。

第二次跃迁：从"静态题库"到"活的题库"。 即便"看行动"了，还有一个问题：题库是死的，而真实世界在变。一个 2025 年的 Agent benchmark，测的是 2025 年最重要的 workflow；到了 2026 年，企业最关心的可能已是完全不同的任务。固定不变的题库，会迅速与现实需求脱节。

2026 年的 Claw-Eval-Live 提出了"活的 benchmark"概念——通过信号采集与任务筛选，确保评测内容紧跟企业实际痛点，而非固定不变的题库。这标志着 Agent benchmark 进入"下半场"：不再只比较谁更会答题，而是比较谁更接近真实世界。

第三次跃迁：从"单点能力"到"长程综合"。 第三次跃迁正在发生——评测从"单步任务"走向"长程综合任务"。Agents-A1 等工作在多步搜索、科学研究、长指令遵循上评估，正是这次跃迁的体现。这次跃迁最难，因为长程任务的评测本身就是一个长程问题——评估一个 8 小时任务的成败，本身可能需要大量人工或另一个强 Agent。

7.2 主流 Benchmark 谱系

梳理 2025—2026 年的 Agent benchmark 谱系，可以清晰看到三大命题在评测层的映射。

SWE-bench 家族：软件工程任务的标准评测，要求 Agent 修改代码库以解决给定 issue。Claude 3.7 Sonnet 在此大幅领先，验证了 agentic coding 能力。Multi-SWE-bench 把它扩展到 Java、TypeScript、JavaScript、Go、Rust、C、C++ 七种语言，共 1,632 个高质量实例。这一家族对应"长程能力在编程场景的评测"。

GAIA 与 ARC 类：通用助手能力的评测，覆盖多步推理、多模态、工具调用。它们对应"长程能力在通用场景的评测"。

Claw-Eval / Claw-Eval-Live：前述"看行动"与"活题库"的代表，覆盖通用服务编排、多模态感知与生成。它们对应"自治系统在真实部署要求的评测"。

Agents-A1 基准：多步搜索、科学研究、长指令遵循。对应"长程综合能力"的评测。

值得注意的是，截至 2026 年，自我进化能力的评测仍是空白。如何衡量一个 Agent "随时间变强"的程度？如何对比"进化前的 Agent"与"进化 100 小时后的 Agent"？这需要"纵向评测"范式——同一 Agent 在不同进化阶段的能力曲线。这是评测体系的下一个前沿，也是本文判断的产业机会之一。

7.3 评测的工程化：从跑分到生产可观测

最后需要强调：生产级 Agent 的评测，不能只靠跑分。一个 Agent 在 benchmark 上拿 90 分，不等于它在你的业务里能 work——因为 benchmark 的任务分布与你的真实任务分布不同。

这要求评测从"离线跑分"走向"在线可观测"——把评测能力内嵌到自治系统的 Traces 基础设施中，持续衡量 Agent 在真实任务上的表现，而非依赖一次性 benchmark。DeepThink 的"全栈可观测性"既是运行时基础设施，也是这种"在线评测"的载体。这种"评测即运行"的范式，是后 Coding 时代评测体系的最终形态。

---

8. 工程实现与关键基础设施

8.1 从概念到生产：工程化的九层塔

把三大命题从概念落到生产，需要穿越一座"九层塔"般的工程化体系。这一节梳理关键工程要点。

第一层：Agent Loop 的生产化。 一个生产级 Loop 必须处理：循环终止的可靠判定（避免"永远不结束"或"提前结束"）、单步与全局超时、异常捕获与降级、状态持久化。Ralph Loop 的"二选一结论"原则——要么真正修复、要么无法修复需人工介入——是终止判定的工程典范。

第二层：上下文工程的精细化。 上下文不再是"把所有东西塞进 prompt"，而是一门精细工程——哪些信息进上下文、哪些不进、进的信息如何排序、何时压缩、如何检索。Kangwook Lee 把"上下文工程"列为首要技术，其地位已超越传统的 prompt engineering。

第三层：Compaction 的无损与有损平衡。 如第 3.2.1 节所述，Compaction 必须在"压缩以腾空间"与"保真以不丢证据"间平衡。Memex 的"索引式无损压缩"与 MemAgent 的"覆写式有损外推"是两条主流路线，生产中常组合使用——近期上下文用摘要压缩，远期证据用索引检索。

第四层：沙箱与权限的分层。 Agent 的行动权限必须分层——读文件、写文件、执行命令、访问网络、调用敏感 API，各自需要不同级别的沙箱与确认。DeepThink 把"破坏性命令""凭据篡改""数据外泄""持久化机制""远程代码执行"列为红线操作，正是权限分层的体现。

第五层：多 Agent 通信协议。 多 Agent 系统需要标准化的通信协议——子任务的分发格式、结果的返回格式、错误的传播格式。缺乏标准协议会导致多 Agent 系统的耦合度过高、可维护性差。

第六层：检查点与重放。 第 4.3.1 节已述。工程实现的关键是：把所有"外部副作用"（文件写入、API 调用、消息发送）记录为可重放的事件流，以便崩溃后从检查点重放恢复。

第七层：Trace 的结构化与可查询。 Trace 不能只是非结构化的日志文本，必须是结构化的、可查询的——支持按"哪一步""调了什么工具""返回什么""耗时多少"查询。这是 Traces 作为"Source of Truth"的前提。

第八层：Bug 自修复的预算控制。 Bug 修复循环必须设预算——最多尝试几次、最多消耗多少 Token、最多耗时多久——否则可能陷入"无限修复"的死循环。预算耗尽即升级人类，这是 Ralph Loop"二选一结论"的工程实现。

第九层：人机协作的异步/同步切换。 第 4.3.5 节已述。工程实现的关键是：Agent 能在运行中"暂停并请求人类输入"，人类响应后"恢复运行"，且暂停/恢复不影响状态一致性。

8.2 关键开源与产业实践

2026 年值得关注的工程实践与开源项目：

• Awesome-Agent-Harness（HKUST-KnowComp）：系统化的 Agent Harness 研究论文与工具集，提出四层 Harness 架构。
• AIOS（LLM Agent Operating System）：把 LLM 嵌入操作系统，优化资源分配、上下文切换、并发执行、工具服务。代表了"Agent 即 OS"的激进路线。
• Agents-A1（上海 AI Lab）：35B MoE 的"扩展视野"路径实践。
• OpenClaw（Peter Steinberger）：开源长程自治 Agent，数字替身形态。
• Memex / MemAgent / MemRL：记忆路径的三条子路线代表。
• Claw-Eval / Claw-Eval-Live：评测范式跃迁的代表。

这些实践共同构成了后 Coding 时代的工程基础设施。一个企业要构建自己的长程自治能力，应充分吸收这些实践的教训，而非从零造轮子。

8.3 工程化的反模式

同样重要的，是识别工程化的反模式——那些看似合理实则有害的做法。

反模式一：唯模型论。 认为"只要用上最新最强模型，Agent 就能 work"。忽视 Harness 建设，结果模型每次更新都被抹平，永远停在 demo 级。

反模式二：过度工程。 反面同样有害——为单次使用的代码构建复杂抽象、为不会发生的场景写错误处理、为不需要的可扩展性预留接口。这是 LLM 代码生成的常见病——模型训练数据中充满企业级代码，遇到"加个缓存"就生成一个带 LRU 淘汰、线程安全、metrics 钩子的完整实现，而实际只需五行。

反模式三：护栏缺失。 为追求"自治"而省略护栏，导致 Agent 越界、数据外泄、破坏性操作。这是自治系统的安全自杀。

反模式四：不可观测。 Agent 跑了一晚上，不知道它做了什么、为什么这么做。出了问题无法定位。这是放弃了自我进化的原材料。

反模式五：评测脱节。 在过时的 benchmark 上刷分，忽视真实任务分布。分数好看但生产不可用。

避免这五大反模式，是工程化的底线。

8.4 一个参考实现：DeepThink 的工程剖面

作为本文理论框架的工程投影，DeepThink 平台的实践值得作为参考实现来剖析。它把三大命题在企业级 SaaS 场景中具体化为一套可运行的工程体系。

长程能力的落地：Ralph Loop。 DeepThink 把研发流程固化为五步——PRD 生成、技术方案、编码实施、测试修复、提交合并——并要求每一步都有独立的产出物写入 docs/ 目录（prd、tech_solution、test_report 各自独立文件夹）。这种"每步产出物落盘"的设计，本质上是一种显式的状态记忆——即便上下文丢失，Agent 也能从文件系统重建任务状态。这正是第 4.3.1 节"检查点与可恢复性"的具体实现。

自治系统的落地：四原则 + 双 Agent。 DeepThink 的工作原则——Think Before Coding、Simplicity First、Surgical Changes、Goal-Driven Execution——是 Harness 层的"设计宪法"。它们针对的正是前述五大反模式：Think Before Coding 反"过度自信"、Simplicity First 反"过度工程"、Surgical Changes 反"触碰不该碰的代码"、Goal-Driven Execution 反"不可观测与评测脱节"。Ralph Loop 的监督者—执行者双 Agent 结构，则对应第 4.5 节的范式一。

自我进化的落地：可观测性 + Bug 自修复闭环。 DeepThink 的全栈可观测性对应 Traces 基础设施——每一次 Agent 执行被完整记录，构成自我进化的原材料。Bug 自修复闭环则同时是错误恢复设施与进化的训练数据源——每次修复的轨迹被记录，未来可作为技能沉淀的输入。这两者结合，启动了路径一（记忆强化）与路径二（技能沉淀）的闭环。

企业级落地的落地：多租户 + 共生。 DeepThink 的多租户隔离、权限分级、企业集成（飞书/钉钉/企微/LDAP）对应治理层安全。程序员-Agent 共生协作中枢对应第 4.3.5 节的人机协作设施——每位程序员的"个人开发项目"含多个并行会话，由 CEE 中央调度防止并发冲突。

这一剖面展示了一个关键事实：三大命题不是抽象研究，而是可以一套工程体系同时承载的具体设计。 当一个平台同时实现了长程流程固化、Harness 设计原则、可观测性、Bug 闭环、多租户与人机共生，它就已经在运行三角飞轮——只是飞轮的转速取决于各模块的成熟度。DeepThink 的实践为本文的理论提供了经验锚点，本文的理论则为 DeepThink 的实践提供了方向锚定。

---

9. 风险、安全与治理

9.1 长程自治的新风险面

长程自治系统引入了 Pre-Training 时代不存在的全新风险面，必须被系统识别与治理。

风险一：行动的不可逆性。 一个能执行 8 小时的 Agent，其行动后果远超一个只回答问题的模型——它可能已经提交了代码、发送了邮件、修改了数据库、调用了付费 API。这些行动部分不可逆。治理原则：对不可逆行动强制人类确认（红线操作），对可逆行动允许自主但全量审计。

风险二：目标漂移到有害方向。 第 5.4 节已述目标误设风险。在长程自治中，这种风险被放大——Agent 可能在数小时执行中，把一个原本无害的目标，优化到有害的实现路径。治理原则：护栏层的硬性禁止，不因任何"目标优化"而解除。

风险三：自我进化的失准。 第 5.4 节已述自我欺骗与目标误设。治理原则：外部验证锚点 + 护栏约束。

风险四：记忆污染与投毒。 一个依赖外部记忆的 Agent，其记忆可能被污染——恶意经验被注入、检索被操纵。治理原则：记忆的可信源验证、记忆写入的审计、关键决策不依赖单一记忆源。

风险五：多 Agent 的协调失败。 多 Agent 系统可能出现"协调失败"——两个 Agent 同时修改同一资源导致冲突、Agent 间信息传递丢失上下文导致错误决策。治理原则：CEE 式中央调度、冲突检测与串行化、Agent 间通信的完整审计。

风险六：环境依赖的脆弱性。 Agent 依赖的外部环境（API、网页、依赖）变化导致失效。治理原则：环境变化检测、适配层的自动更新、失效的优雅降级。

9.2 安全的分层防御

针对上述风险，安全必须分层防御——这与 Harness 的四层架构对应。

模型层安全：通过后训练（RLHF、Constitutional AI 等）让模型本身倾向于安全行为。这是基础但不可靠——模型可被对抗输入绕过。

Harness 层安全：沙箱隔离、权限控制、动作白名单。这是自治安全的主体——即便模型被绕过，Harness 层的确定性约束依然生效。

基础设施层安全：Trace 全量审计、预算限制、速率限制、人类监督循环。这是兜底——即便前两层都失效，审计与预算限制也能控制损害范围。

治理层安全：合规、隐私、数据主权。这是企业级落地的外部约束——多租户隔离、权限分级、企业集成（飞书/钉钉/企微/LDAP）、计费弹性。

DeepThink 把"企业级 SaaS 平台——多租户隔离、权限分级、计费弹性、企业集成"列为产品核心，正是对治理层安全的工程回应。

9.3 治理的新命题：Agent 洗绿与结果问责

2026 年产业实践中浮现两个新的治理命题。

命题一：Agent Washing（Agent 洗绿）。Gartner 注意到，很多产品把旧自动化、仪表盘、RPA 或聊天入口包装成"Agent"以蹭热度。这与"AI Washing"一脉相承。治理对策：建立"真 Agent"的判别标准——是否具备自主决策、长程执行、错误恢复、自我进化，而非只是脚本化的自动化。

命题二：结果问责。当 Agent 按"结果"交付与计费，一个新问题浮现——如果结果有瑕疵，谁负责？Agent 厂商、部署企业、还是使用 Agent 的员工？这是 Service-as-Software 模式带来的新法律问题，2026 年尚在早期讨论，但将是未来几年的治理焦点。

9.4 对齐在自我进化场景的特殊挑战

最后必须强调：自我进化让 AI 对齐问题变得更难。传统对齐是一次性的——厂商训练时对齐一次，模型部署后行为固定。但自我进化的 Agent 行为会随时间变化——它今天对齐，不代表一个月后还对齐。

这要求一种新的"持续对齐"范式——在 Agent 自我进化的同时，持续监测其行为是否仍在人类意图范围内，偏离时及时纠偏。这比传统对齐难得多，因为它要求对齐机制本身比 Agent 的进化更快、更敏锐。这是后 Coding 时代最深层的安全命题，也是值得长期投入的研究方向。

---

10. 产业图景与商业模式重构

10.1 从 SaaS 到 Service-as-Software

三大命题的兑现，正在重塑产业图景。最根本的变化是商业模式的迁移。

上一代 SaaS 的目标是"提升效率"——卖工具给企业员工用，按 Seat 计费。其 TAM 对应全球约 3—4 千亿美元的企业软件支出。Long-Horizon Agent 的目标是"直接交付结果"——卖劳动力而非工具，按 Outcome 计费。其 TAM 对应全球数万亿美元的服务市场。

这一迁移被红杉称为 Service-as-Software——把"服务"以"软件"的形式交付。其本质是：过去由人类完成的服务工作（研究、审计、运营、编码），现在由 Agent 完成，按结果计费。Citadel 的案例——Agent 2 小时完成硕博研究员 6—8 周的论文复现——是这一迁移的极致体现。

10.2 护城河的重构：MAD 框架

在计算革命中，护城河的逻辑也被重写。红杉提出 MAD 框架——Moats（护城河）、Acceleration（加速）、Distribution（分发）。

护城河：不能靠"抢先调用最新模型"建立。真正可沉淀的护城河有三：一是 Harness 层的工程投入（记忆、护栏、可观测性），二是长时间磨合积累的领域经验与记忆，三是自我进化飞轮跑通后的能力领先。这三者都是私有的、累积的、随使用增强的——竞争对手即便拿到同样的基础模型，也无法复制。

加速：在计算革命中，谁能更快地把模型能力转化为产品，谁就赢。这要求企业具备"快速集成新模型"的工程能力——Harness 层的解耦设计，让底层模型可替换而 Harness 不变。

分发：Agent 产品的分发逻辑与传统 SaaS 不同——它更依赖"自下而上"的渗透（开发者先用、团队再用、企业再采用），而非"自上而下"的销售。OpenClaw 的爆火路径——从开源项目到开发者社区到企业采用——是典型。

10.3 产业分工的新格局

三大命题催生的产业分工，正在形成清晰的新格局。

底层：模型提供商。OpenAI、Anthropic、xAI、上海的 MoE 实践者等。这一层竞争最激烈、差异化最难、利润率被持续压缩。红杉明确判断：创业者的机会不在于追逐底层模型。

中层：Harness 与基础设施提供商。提供 Agent Loop、记忆、沙箱、可观测性、多 Agent 调度的通用基础设施。LangChain 是这一层的代表。这一层的价值在于"可沉淀的工程"，护城河较高，但天花板受限于通用性。

上层：垂直自治 Agent 提供商。在特定垂直场景（软件研发、金融研究、供应链、医疗、法律）闭环三角飞轮的厂商。DeepThink 定位在软件研发垂直场景，是这一层的代表。这一层的护城河最高——因为它内化了垂直领域的长程经验与自我进化。

外层：企业级 SaaS 与集成层。多租户、权限、合规、企业集成。这是把上层能力交付给企业的最后一公里。DeepThink 的"企业级 SaaS 平台"定位在此。

四层叠加，构成后 Coding 时代的完整产业栈。一个有意思的判断来自 Harrison Chase："通用 Agent 可能就是一个 Coding Agent。"这意味着——软件研发作为最可验证、最适合启动三角飞轮的场景，其 Agent 可能演化成最通用的形态。这对 DeepThink 是重大利好——以 Coding 为起点，向通用扩展。

10.4 组织形态的再造

最后，三大命题不仅在重塑技术与商业，也在重塑组织。

一个被广泛讨论的判断是："旧组织里长不出新产品。"一个线性协作、岗位边界清晰、需要层层传递信息的团队，很难做出主动型 Agent。因为 Agent 的开发本身就需要 Agent 式的工作方式——快速迭代、跨职能协作、试错驱动。

2026 年已出现"AI 原生公司"的早期形态——小团队（5—10 人）配大规模 Agent 协作，人均产出达到传统百人团队的量级。火星电波的故事——5 周内做出新 Agent 产品并完成组织改造——是这种新组织形态的缩影。这种"少数人 + 大量 Agent"的组织，正在改写"公司"的定义。

DeepThink 的"程序员-Agent 共生协作中枢"——每位程序员拥有个人"开发项目"，内含多个并行会话——正是这种新组织形态在工程平台的投影。其本质是：让每个程序员都成为"Agent 团队的指挥官"，而非"代码的编写者"。

10.5 行业落地的"可验证性梯度"

观察三大命题在不同行业的落地速度，可以发现一个清晰规律——落地速度与行业的"可验证性"强相关。越是结果可被客观验证的行业，Agent 落地越快；越是结果主观、难以量化的行业，落地越慢。这一"可验证性梯度"是预判 Agent 渗透顺序的关键。

第一梯队（高可验证）：软件研发、数据分析、金融研究。 这些领域有强客观验证信号——编译通过、测试跑过、数据可复算、论文可复现。Agent 的成功与否一目了然，长程能力的闭环最容易启动。Coding 作为最可验证的场景率先起飞，并非偶然。

第二梯队（中可验证）：运营自动化、合规审计、文档生成。 这些领域的结果可被部分验证——发票对账对错有标准答案、合规检查有规则、文档质量可人工抽检。Agent 落地需要适度的"人在环中"验收，但仍可大幅提效。2026 年物流领域的 Agent 落地——Cartage、Opereit、Freehand 等案例——都集中在订单、预约、运费审计等"有清晰触发条件、系统动作和人工升级点"的流程，正印证此梯度。

第三梯队（低可验证）：创意设计、战略决策、跨文化管理。 这些领域的结果高度主观、难以量化、依赖情境。Agent 即便交付了结果，也难以客观判定好坏。这导致自我进化的"奖励信号"难以定义，飞轮难以启动。这些领域将是 Agent 落地最慢的，也是人类专家最后被替代的。

理解这一梯度，对产业实践有两层含义：其一，企业应优先在自身业务中"可验证性最高"的环节启动 Agent——那里的飞轮最容易转起来；其二，随着 Agent 能力提升与评测体系成熟，"可验证性"本身会被扩展——今天难以验证的创意工作，明天可能有更好的评测方法。这也是 Claw-Eval-Live"活题库"理念的长远价值。

10.6 中国市场的结构性机会

在产业图景之外，中国市场有几个值得专门指出的结构性机会。

机会一：企业 IM 原生的 Agent 入口。 中国企业高度依赖飞书、钉钉、企微作为工作入口。一个能"常驻"在这些 IM 中的 Agent，比独立的 Agent 应用有更低的采纳门槛——它天然嵌入工作流，无需用户切换工具。OpenClaw 在 Slack 上的爆火，预示了中国 IM Agent 的潜力。DeepThink 把飞书/钉钉/企微集成作为核心能力，正切中此机会。

机会二：政策驱动的普及窗口。 前述国务院意见提出的 2027 年 70%、2030 年 90% 普及率目标，意味着未来四年中国将出现大规模的 Agent 采购需求。这一政策窗口对提供企业级 Agent 平台的厂商是显著利好。

机会三：算力约束倒逼的工程优势。 中国算力相对受限，反而倒逼出"重 Harness 轻模型"的工程路径——这与本文论证的"难度倒置"判断高度契合。Agents-A1 的"扩展视野"路径证明，中国可以走一条不依赖万亿参数的 Agent 路线。这种"工程驱动"的能力，反而可能成为中国 Agent 产业的差异化优势。

机会四：垂直行业的深厚积累。 中国在制造业、物流、零售、金融等垂直行业有深厚的产业积累。把这些行业知识与 Agent 结合，能产生高度定制化、高护城河的垂直 Agent。这种"产业知识 + Agent 工程"的组合，是中国企业对抗纯模型层竞争的利器。

这四个机会叠加，使中国有望在后 Coding 时代的产业重构中占据独特位置——不是在底层模型上与海外正面竞争，而是在 Harness、企业级落地、垂直产业上形成差异化。

---

11. 未来展望：通向超级智能体的路线图

11.1 METR 曲线与时间表

基于前述分析，我们可以给出一个通向超级智能体的时间表。其基础是 METR 的核心数据：AI 能自主连续工作的时间每 7 个月翻一倍。

以 2026 年中为基准——当前顶级 Agent 已能稳定自主工作约 2—4 小时（部分场景如论文复现已达 2—3 小时）。按 7 个月翻倍外推：

• 2026 年底：约 4—8 小时。触及"无人值守一工作日"门槛，首个"数字员工"岗位出现。
• 2027 年中：约 8—16 小时。跨过"夜间无人值守"门槛，24 小时自主任务成为可能。
• 2028 年：约 32—64 小时。多日长程任务可行，跨天状态管理成熟。
• 2029 年：约 128—256 小时（5—10 天）。周级长程任务。
• 2030—2032 年：约 1000—4000 小时（1.5—6 个月）。月级长程任务，逼近"人类专家一年工作量"。

这条曲线给出了一个清晰的产业节奏：2026—2027 是"数字员工"元年，2028—2030 是"长程专家"成熟期，2030 年代是"超级智能体"窗口。

11.2 三大命题的成熟度判断

对照时间表，我们对三大命题的成熟度做判断：

长程能力：处于"早期生产化"阶段。Coding 与金融研究等可验证场景已落地，但通用长程能力仍在突破上下文、目标漂移、信用分配等基础挑战。预计 2027—2028 年走向成熟。

自治系统：处于"工程共识形成"阶段。四层 Harness 架构与五大基础设施已被广泛接受，但生产级实现仍参差不齐。预计 2026—2027 年工程实践成熟。

自我进化：处于"早期研究"阶段。MemRL、Agents-A1 等已验证可行性，但闭环飞轮在生产中跑通的案例仍稀少，评测体系空白。预计 2028—2010 年走向成熟，是三大命题中成熟最晚、潜力最大的。

11.3 通向超级智能体的三步走

基于上述判断，通向超级智能体的路径可分三步：

第一步（2026—2027）：垂直闭环。在 2—3 个高可验证垂直场景（软件研发、金融研究、运营自动化）闭环三角飞轮。验证长程能力、打磨自治系统、启动 Trace 积累。这一步的核心目标是"跑通飞轮"，而非"通用智能"。

第二步（2028—2030）：横向扩展与进化启动。把垂直场景验证过的飞轮，横向扩展到更多场景；同时启动自我进化路径二（技能沉淀）与路径三（模型自举），让 Agent 在跨场景迁移中保持经验。这一步的核心目标是"飞轮加速"。

第三步（2030 年代）：开放式演化。自我进化路径四（种群演化）成熟，Agent 能自我繁衍——创造新 Agent、新工具、新架构。这一步对应"超级智能体"的真正到来，也是红杉所说"雇用智能体如同雇用员工"的产业常态。

11.4 中国路径的特殊性

值得专门讨论的是中国在这条路径上的特殊性。

一是算力约束下的路径选择。Agents-A1 的"扩展视野而非堆参数"路径，对算力受限的中国产业具有特殊价值——它证明了 35B 模型可逼近万亿参数的长程表现。这意味着中国在算力不占优的情况下，仍可通过 Harness 与长程视野的工程投入，在 Agent 赛道形成竞争力。

二是政策窗口。国务院《关于深入实施人工智能"行动的意见》提出：到 2027 年智能体应用普及率超 70%，到 2030 年超 90%。这一政策目标与 METR 曲线的产业节奏高度吻合，意味着中国将在 2026—2030 年迎来 Agent 落地的强政策推动。

三是企业级落地的优势。中国在飞书/钉钉/企微等企业 IM、LDAP 集成、多租户 SaaS 方面有成熟的产业基础。DeepThink 把"企业集成"作为核心能力，恰能受益于这一基础。中国企业级 Agent 的落地，可能比消费级 Agent 更快、更深。

11.5 关键不确定性

最后，必须诚实地标注这条路径的关键不确定性。

不确定性一：模型能力的非线性突破。METR 曲线假设"7 个月翻倍"是平稳的，但模型能力可能因某个突破（如新架构、新训练范式）而跃迁，也可能因预训练数据耗尽而放缓。曲线的斜率不是物理定律。

不确定性二：自我进化的 collapse 风险。模型自举可能遭遇"模型 collapse"——自我蒸馏导致能力退化而非提升。这是路径三最大的技术风险，目前尚无彻底解法。

不确定性三：对齐的失败。持续对齐若跟不上自我进化的速度，可能出现"进化但失准"的 Agent，其后果难以预测。这是最大的安全不确定性。

不确定性四：商业模式的接受度。Service-as-Software 要求企业接受"按结果向 AI 付费"，这涉及采购流程、法律问责、组织变革，其接受速度可能慢于技术成熟速度。

这些不确定性意味着——通向超级智能体的路径是清晰的，但节奏是不确定的。保守与激进的判断之间，可能有两到三年的偏差。但方向性的判断是稳健的：三大命题的闭环，是不可逆的趋势。

11.6 一个需要被正视的长期问题：智能体经济学

在结束展望之前，必须正视一个被多数技术乐观主义回避的长期问题——当 Agent 能力逼近人类专家，经济结构将如何重组？

Service-as-Software 把"按结果计费的劳动力"推向市场，其直接后果是大量"可被 Agent 完成的知识工作"——初级编码、文档撰写、数据分析、流程运营、甚至部分研究复现——其价格将向 Agent 的边际成本（主要是 Token 与算力）趋近，而非人力成本。这是一个比工业革命更剧烈的重组，因为被替代的是"认知劳动"而非"体力劳动"，而认知劳动恰恰是过去半个世纪经济增长的主要引擎。

这一重组有三个值得关注的次级效应：

效应一：工作定义的迁移。 当"执行"被 Agent 接管，人类工作的重心从"做事"迁移到"定义做什么"——需求定义、目标设定、结果验收、伦理判断。这是一种更高阶、也更难被替代的劳动。DeepThink 的"程序员-Agent 共生"正是对这种迁移的预判——程序员从代码编写者变成 Agent 团队的指挥官与目标定义者。

效应二：组织杠杆的重构。 一个"少数人 + 大量 Agent"的组织，其人均杠杆远超传统公司。这既可能带来更平等的财富分布（更多人能指挥 Agent 团队），也可能加剧集中化（能调度最多 Agent 的少数人获得不成比例的产出）。走向哪端，取决于 Agent 能力能否被广泛、低成本地获取。

效应三：价值评估的重定。 当 Agent 能完成大部分执行工作，"人类的独特价值"是什么？答案可能是：创造性方向选择、跨领域直觉、伦理与审美判断、以及"定义值得解决的问题"。这些能力不会被 Agent 替代，但需要被重新重视与培养。

正视这些问题，不是要制造焦虑，而是要指出——三大命题的闭环不仅是技术事件，更是社会事件。一个负责任的超级智能体平台，必须在技术推进的同时，思考它的社会后果，并在产品设计中预留"人机共生"而非"人机替代"的路径。DeepThink 把"共生协作"而非"替代"作为核心理念，正是这一责任感的体现。

---

12. 结论

12.1 核心论点重述

本文的核心论点是：后 Coding 时代的新命题——长程任务、自治系统、自我进化——并非三个独立问题，而是一个由"能力—载体—时间"构成的自我强化三角。

长程能力是门槛——它决定了 Agent 能触及的任务复杂度区间，是"数字员工"价值的下限。

自治系统是载体——它通过"模型 + Harness"的双层架构与五大基础设施，把模型能力稳定兑现为持续生产力。模型决定上限，Harness 决定兑现率。

自我进化是加速器——它通过四条路径（经验记忆、技能沉淀、模型自举、演化算法）作用于不同时间尺度，让 Agent 随使用而变强，构筑不可复制的护城河。

三者构成飞轮：长程能力产生轨迹，自治系统记录轨迹，自我进化从轨迹中提炼知识反哺能力。飞轮一旦启动，先发者越用越强。

12.2 范式转移的三个层级

我们已论证，这一三角闭环背后，是 AI 产业的三层范式转移：

• 能力层：从单次生成 → 多步推理 → 长程行动。
• 载体层：从模型 API → 推理模型 → Agent 系统（模型 + Harness）。
• 价值层：从按 Token 计费的问答 → 按 Seat 计费的推理 → 按 Outcome 计费的劳动力。

三层转移的终点，是 Service-as-Software 带来的 TAM 跃迁——从千亿级企业软件市场，走向万亿级全球服务市场。

12.3 时间表与终局

基于 METR 曲线与三大命题的成熟度判断，我们给出的时间表是：

• 2026—2027：数字员工元年，垂直场景闭环三角飞轮。
• 2028—2030：长程专家成熟期，飞轮横向扩展，自我进化启动。
• 2030 年代：超级智能体窗口，开放式演化，"雇用智能体如同雇用员工"成为常态。

终局——用 DeepThink 的愿景表达——是"让每一家企业都拥有一支永不停歇、持续进化的 AI 超级研发团队：从工具使用者，到代码创造者，最终成长为可自我繁衍的超级智能体"。

12.4 给实践者的五条建议

基于全文分析，我们给实践者五条建议：

建议一：把 80% 投入放在 Harness 与基础设施，而非追逐最新模型。 在计算革命中，模型能力以月迭代，Harness 投入才是可沉淀的护城河。

建议二：从第一天起全量记录 Trace。 Trace 是自我进化的不可回溯原材料，错过即永久损失。

建议三：在高可验证垂直场景闭环飞轮。 不要从通用智能起步。软件研发、金融研究等可验证场景，最适合启动三角飞轮。

建议四：为自我进化设外部锚点与护栏。 自我欺骗与目标误设是真实风险，外部验证信号与硬性护栏是底线。

建议五：准备"少数人 + 大量 Agent"的新组织形态。 技术与商业的转移，最终会传导到组织。提前培养"Agent 团队指挥官"式的人才，是新周期的核心竞争力。

12.5 结语

后 Coding 时代，AI 不再只是回答问题的机器，而是交付结果的劳动力。这一转变的三个新命题——长程任务能力、完全自治的智能体系统、自我进化——共同定义了通向超级智能体的路径。

这条路径清晰但不平坦。它要求我们既要做严谨的工程师——构建可靠的 Harness 与基础设施；也要做清醒的研究者——直面长程信用分配、自我进化失准、持续对齐等深层难题；更要做有远见的实践者——在垂直场景中耐心地把飞轮转起来，让 Agent 在真实世界中越用越强。

当三角飞轮真正闭环的那一天，我们迎来的将不只是一个更高效的工具，而是一个能持续成长、最终与人类共生的数字物种。那正是"超级智能体"的真正含义——不是模型参数的堆叠，而是能力、载体与时间三者乘积的质变。

从工具使用者，到代码创造者，到超级智能体。后 Coding 时代，这场旅程才刚刚开始。

---

参考文献

本文引用的核心资料（按主题归类，均为 2023—2026 年真实论文、产业报告与产品实践）：

长程任务与 Agent 基础研究：

1. Sequoia Capital, "AI Ascent 2026: The Computing Revolution & Long-Horizon Agents", 2026.
2. Harrison Chase (LangChain) × Sequoia Capital (Sonya Huang, Pat Grady), "Long-Horizon Agents: 2026 元年", 2026-01.
3. METR, "Model Evaluation & Threat Research: AI Task Length Doubling Time", 2026.
4. 上海 AI Lab, "Agents-A1: Scaling the Horizon (35B MoE Agent)", arXiv:2606.30616, 2026-07.
5. "2026 Long-Horizon Agent 投资地图：OpenClaw 与 Service-as-Software", 2026-02.

Agent Harness 与自治系统： 6. HKUST-KnowComp, "A Survey on AI Agent Harness", GitHub: Awesome-Agent-Harness, 2026-06.

• Pan et al., "Natural-Language Agent Harnesses", 2026.
• Young et al., "Effective Harnesses for Long-Running Agents", 2025.

7. Kangwook Lee (KRAFTON/Ludo Robotics), "How to Build Truly Useful LLM Agents", UC Berkeley BLISS Seminar, 2026-03.
8. Rutgers/Agentmemory, "AIOS: LLM Agent Operating System", GitHub: agiresearch/AIOS, 2024—2026.
9. Peter Steinberger, "OpenClaw: Open-Source Long-Horizon Autonomous Agent", 2026.

记忆与长上下文： 10. Wang et al., "Memex(RL): Scaling Long-Horizon LLM Agents via Indexed Experience Memory", arXiv:2603.04257, 2026-03. 11. Yu et al., "MemAgent: Reshaping Long-Context LLM with Multi-Conv RL-based Memory Agent", arXiv:2507.02259, 2025-07. 12. 王嘉乾等, "MemRL: Self-Evolving Agents via Runtime Reinforcement Learning on Episodic Memory", arXiv:2601.03192, 2026-01.

推理与编码模型： 13. Wei et al., "Chain-of-Thought Prompting Elicits Reasoning in LLMs", 2022. 14. Yao et al., "Tree of Thoughts", 2023. 15. "从 R1 到 Sonnet 3.7: Reasoning Model 首轮竞赛的关键信号", 2025-03.

评测体系： 16. "Claw-Eval: 从答题到行动的 Agent 评测", arXiv:2604.06132, 2026. 17. "Claw-Eval-Live: 活的 Benchmark 概念", arXiv:2604.28139, 2026. 18. Zan et al., "Multi-SWE-bench: A Multilingual Benchmark for Issue Resolving", arXiv:2504.02605, 2025-04.

产业实践与组织变革： 19. "Citadel Ken Griffin: AI Agent 2 小时复现金融顶刊", Goldman Sachs Apex Summit / Fortune, 2026-06—07. 20. "AI 原生公司：火星电波的组织转型", 未来人类实验室, 2026-07. 21. "2026 上半年 AI Agent 在物流领域落地调查报告", 2026-07. 22. 国务院办公厅, "关于深入实施人工智能'行动的意见", 2026.

自我进化与演化算法： 23. Sakana AI, "Darwin Godel Machine: Self-Improving Agents via Evolution", 2025—2026. 24. Lilian Weng (OpenAI), "LLM Powered Autonomous Agents", 2023.

---

本文由 DeepThink 研究框架支撑，作为企业级超级智能体自进化平台的理论锚定。文中所有 2026 年产业数据与案例均来自公开资料，技术判断基于截至 2026 年 7 月的最新研究进展。

——"让每一家企业都拥有一支永不停歇、持续进化的 AI 超级研发团队。"

---

附录 A：核心术语表

为便于检索，本文核心术语统一定义如下：

• Long Horizon Task（长程任务）：需多轮决策、执行、观察、修正，前后步骤强依赖，且需长期规划的任务。工程判据为"无人值守自主执行 8 小时以上且不可简单分割"。
• Long Horizon Agents（长程智能体）：能持续工作数小时乃至数天，自主规划、从失败中恢复、坚持到任务完成的智能体。被红杉列为继 Pre-Training、Reasoning 之后的第三拐点。
• Autonomous Agent System（自治智能体系统）：能无人值守完成长程任务的智能体系统，由模型与 Harness 共同构成。
• Harness（智能体外壳）：围绕模型构建的确定性执行基础设施，包括 Agent Loop、记忆、工具接口、护栏四层。决定模型能力能否被稳定兑现。
• Model = Stochastic + Harness = Deterministic：核心公式。模型层随机、Harness 层确定，系统可靠性由后者兜底。
• Self-Evolving（自我进化）：智能体从自身执行轨迹中提炼知识、在运行时持续改进自身的能力。四条路径：经验记忆、技能沉淀、模型自举、演化算法。
• Agent Washing（Agent 洗绿）：把传统自动化或 RPA 包装成"Agent"以蹭热度的行为。
• Service-as-Software：把服务以软件形式交付、按结果计费的新商业模式，TAM 从千亿级软件市场跃迁到万亿级服务市场。
• Trace（行动轨迹）：智能体每一步决策与工具调用的结构化、可查询记录，是调试、审计与自我进化的"真相之源"。
• Compaction（上下文压缩）：在上下文接近窗口上限时自动压缩早期对话的机制，分无损索引式与有损覆写式两条路线。
• Ralph Loop：DeepThink 提出的监督者—执行者双 Agent 闭环，强调客观验证、持续迭代、二选一结论。
• MAD 框架：红杉提出的企业 Agent 落地三法则——Moats（护城河）、Acceleration（加速）、Distribution（分发）。
• METR 曲线：AI 能自主连续工作时间每 7 个月翻一倍的追踪数据，是预判超级智能体时间表的核心依据。
• 三角飞轮：本文提出，长程能力—自治系统—自我进化构成的相互强化闭环。
• 难度倒置：任务从 1 小时延长到 8 小时，决定成败的因素从模型层转移到 Harness 层的现象。

附录 B：关键开放问题清单

本文结尾列出十大开放问题，作为后续研究的议程：

1. 长时程信用分配的工程化：如何把任务级奖励高效反传到具体步骤，且不引入过多噪声？
2. 自我进化评测体系：如何衡量"随时间变强"的程度，建立纵向评测范式？
3. 模型自举的 collapse 防御：如何确保自我蒸馏带来能力提升而非退化？
4. 持续对齐机制：如何让对齐速度跟上自我进化速度，防止"进化但失准"？
5. 记忆污染的防御：如何验证记忆可信源，防止恶意经验注入？
6. 多 Agent 协调的收敛性：对等协作范式如何保证收敛而非无限讨论？
7. 环境非平稳性的适应：Agent 如何在环境变化时自动更新适配层？
8. 结果问责的法律框架：Service-as-Software 模式下，Agent 结果有瑕疵谁负责？
9. 超级智能体的"断路器"：Level 5 自治下，人类应保留怎样的最终干预权？
10. Agent 经济学的社会契约：当认知劳动被替代，新的价值评估与分配机制如何设计？

这十个问题，每一个都指向一个值得长期投入的研究方向。本文的论述只是这一议程的起点，而非终点。