檢驗Agent水平的唯一標準是長任務。

這個判斷，建立在一個簡單的事實上：短任務可以靠記憶完成，長任務必須靠理解完成。短任務中，模型只需處理當前輸入；長任務中，模型需要保持上下文的連貫性，需要在數百步后還記得最初的意圖，需要在遇到異常時自主調整策略。

學術基準的殘酷數據告訴我們，當前最頂尖的Agent在長任務中的通過率不足20%，而且隨著任務迭代，代碼質量持續惡化。這不是一個可以通過增加參數量來解決的問題，而是需要重新思考Agent架構，一個從上下文管理到工作流編排、從多智能體協作到縱深防御的系統性工程。

Claude與Codex的競爭，揭示了兩種不同的進化路徑。Claude強化上下文容量與協作能力，Codex強化超人類調試與自我進化。這兩條路徑并不互斥。真正能夠攻克長任務的Agent，可能同時需要兩者的優勢。

而Token經濟學的興起，則為長任務提供了商業價值的錨點。當Agent能夠完成人類需要數小時甚至數天的復雜任務，消耗百萬級Token的成本就變得微不足道。問題在于，如何讓Agent的完成率從20%提升到80%，如何讓代碼質量在迭代中不退化，如何在不確定性中保持穩定。

這些問題沒有簡單的答案。但有一點是確定的：在這個Agent元年的春天，長任務能力不再是一個技術指標，而是區分“玩具”與“工具”的唯一標準。能完成長任務的Agent，其Token才有價值，其商業模型才有意義，其存在才能重構人類的工作流與生活流。

01 

從短任務到長任務，Agent的成人禮

2026年被多方確認為“智能體元年”。這個判斷背后的真實含義是：AI正在從“回答問題的人”變成“完成任務的人”。第三波AI浪潮的核心是自主執行，而不再是輔助性質的Copilot。

這個轉變聽起來簡單，但它在工程層面的含義是顛覆性的。

過去兩年，大模型競爭的核心敘事一直是模型能力本身：參數規模有多大，推理深度有多強，復雜任務的單步完成率有多高。這些指標在Chatbot時代是有效的，因為那時候AI的角色是“回答者”，你問一句，它答一句，任務在單輪交互中結束。

但當AI開始扮演“執行者”，規則徹底改變了。一個稍微復雜的任務，比如從零開發一個網頁應用，或者跨系統完成一份數據分析報告，需要幾十甚至上百個步驟：理解需求、拆解任務、調用工具、處理異常、驗證結果、自我修正。每一步都可能出錯，每一步的錯誤都會累積。

這意味著，短任務能力是各家模型都能做到的，它本質上只是披著Agent外衣的編程自動化。而長任務能力，才是Agent真正的入門門檻，它考驗的不僅僅是模型的推理能力，更是上下文管理的精度、工作流編排的韌性、以及對不確定性的處理能力。

2026年2月發布的LongCLI-Bench，專門測試Agent在真實開發場景中的長任務能力。評測集涵蓋了從零開發、功能添加、錯誤修復到代碼重構四大工程類別，每個任務都需要數十步的連續操作。

結果令人警醒：即使是最先進的Agent，通過率也低于20%。更值得玩味的是失敗模式：大部分任務在完成度不到30%的階段就已停滯，關鍵失敗往往發生在早期階段。

這意味著當前最頂尖的Agent，在面對真正的長任務時，連“開個好頭”都做不到。

它們可以在單步任務中表現出驚人的能力，但當任務的鏈條拉長、依賴關系變得復雜、需要持續的上下文記憶和策略調整時，它們就會迷失。

圖表：長任務通過率對比；數據來源：LongCLI-Bench，2026年2月。即便最先進的Agent，在長任務基準上的通過率仍不足20%。

另一項名為SlopCodeBench的研究揭示了更深層的問題。該研究追蹤了Agent在迭代式任務中的表現，發現了一個系統性的退化模式：隨著任務迭代次數的增加，Agent生成的代碼質量持續下降。80%的軌跡中出現了結構侵蝕，近90%的軌跡中冗余代碼比例上升。

研究團隊對比了Agent代碼與48個開源Python倉庫中的代碼，發現Agent代碼的冗余度是人工代碼的2.2倍，結構侵蝕程度也明顯更嚴重。當追蹤20個代碼倉庫隨時間的演變時，人類代碼的質量保持穩定，而Agent代碼隨著每次迭代都在惡化。

圖表：Agent代碼冗余度隨迭代次數持續上升，而人類代碼保持穩定。數據來源：SlopCodeBench，2026年3月。

這一發現揭示了一個根本性的問題：當前的Agent缺乏那種在復雜任務中保持結構一致性、不被短期需求帶偏的能力。而這種能力，恰恰是長任務成功的核心。

02

Claude與Codex，兩條通往長任務的路

在AI編程工具的競技場上，Claude和Codex的競爭是觀察Agent能力演進的最佳窗口。

2026年2月5日，Anthropic與OpenAI同日發布了各自的王牌模型：Claude Opus 4.6與GPT-5.3-Codex。這場正面交鋒，表面上是一場性能競賽，實質上是對Agent核心能力的兩種不同理解。

Claude的路線：長上下文與團隊協作

Claude Opus 4.6最關鍵的升級是上下文窗口從20萬token直接躍升至100萬token。這意味著你可以把整個項目的代碼庫一次性喂給它，它能同時看到項目里所有文件，理解整體架構。

但真正的殺手锏并非單純的長上下文，而是Anthropic在“上下文拆分”上的精細設計。前OpenAI Codex核心研發者Calvin French-Owen在一檔播客中直言，Claude Code最厲害的地方，就是其上下文拆分能力。

當面對復雜任務時，Claude Code會自動生成多個探索型子智能體，這些子智能體會通過工具掃描整個文件系統、檢索相關內容，而且每個子智能體都有獨立的上下文窗口。完成任務后，它們會將關鍵信息匯總反饋給主智能體。

這種設計的意義在于顯著降低了“上下文噪音”。

在代碼倉庫這樣信息密度極高的環境中，不是所有信息都同等重要。Claude的策略是讓專門的子智能體去探索、篩選、總結，然后只將最關鍵的信息傳遞給主智能體。這種分工協作的模式，使主智能體能夠專注于高層決策，而不會被底層細節淹沒。

圖表：上下文容量提升5倍，關鍵信息檢索能力提升4倍。（Claude Opus 4.6 vs 前代）；數據來源：Anthropic官方技術報告。

Codex的路線：超人類調試與自我進化

相比之下，OpenAI的GPT-5.3-Codex選擇了另一條路。Calvin French-Owen的評價是：Codex很有“個性”，像AlphaGo，在調試復雜問題時的表現堪稱超人類，很多Opus模型解決不了的問題，Codex都能搞定。

Codex的核心優勢在于其“自我構建”能力。它是OpenAI第一個幫助構建自己的模型。Codex團隊用Codex來調試自己的訓練過程、管理自己的部署、診斷測試結果和評估。這種“AI自己造AI”的反饋循環，意味著進化速度會越來越快。

在產品理念上，OpenAI更關注做出最強的大模型（即AGI）。這體現在Codex的設計中：它不追求最優雅的交互，不追求最透明的決策過程，它追求的是在最困難的調試場景中，找到人類找不到的解決方案。

兩種路線的本質

Claude和Codex的競爭，揭示了Agent核心能力的兩個維度。

第一個維度是上下文容量。Claude Opus 4.6在MRCR v2測試（專門測試AI在海量文本中找信息的能力）中得分76%，而Sonnet 4.5只有18.5%。這76%對18.5%的差距，不是量變，是質變。它意味著Agent能否在長任務中記住早期階段的關鍵信息，能否在任務推進數百步后仍然不丟失最初的目標。

第二個維度是上下文質量。Calvin French-Owen分享了一個非常實用的經驗：當上下文token占用超過50%時，他會主動清理。他用一種“金絲雀檢測”方法——在上下文里埋入一些無關但可驗證的小信息，一旦模型開始遺忘，說明上下文已經被污染。

這兩個維度的結合，構成了Agent長任務能力的核心公式：

長任務能力 = 上下文容量 × 上下文質量

僅有容量，沒有質量，Agent會在信息的汪洋中迷失；僅有質量，沒有容量，Agent無法處理真正的復雜任務。

03

能完成長任務的Agent，其Token才有價值

當Agent開始執行長任務，Token的角色從技術副產品轉變為戰略資產。

Token正在成為AI時代的“新大宗商品”，標準化、可計量、可交易。無問芯穹聯合創始人夏立雪的體驗很有代表性：從2026年1月開始，公司Token消耗每兩周翻一番，至今已經翻了10倍。

這種增長速度，上一次出現還是在3G手機流量時代。但兩者的含義完全不同：3G流量的增長代表用戶行為的遷移，Token消耗的增長代表經濟活動本身的AI化。

錦緞研究院早在 2025 年就敏銳地捕捉到了這一趨勢，在其文章《Token 將成為未來世界最重要資源》中率先提出了“Token 經濟學”的概念框架，指出 Token 將作為衡量智能時代價值的基本單位，重塑資源配置的邏輯。

2026年GTC大會上，黃仁勛正式提出“Token經濟學”概念，讓這一概念被更廣泛地認知。Agent當下已經成為大模型最核心的工作負載，Token則是驅動數字經濟的核心生產要素。國家數據局在2026年3月將Token的官方翻譯定為“詞元”，并指出其是“智能時代的價值錨點”。

Token消耗與任務長度之間存在正相關關系。但更重要的是，Token的價值密度隨著任務長度而增加。

圖表4：長任務Token消耗量級對比，長任務Token消耗可達百萬級，是短任務的數十甚至數百倍。

在短任務場景中，Token的價值是線性的：1000個Token完成一個問答，價值有限。但在長任務場景中，Token的價值是指數級的：百萬級Token完成一個完整的軟件開發任務，其產出可能是數萬美元的商業價值。

這解釋了為什么商業模式正在從訂閱制向Token制遷移。

但這同時也帶來了新的挑戰。一旦Agent高頻自動運轉，不可控的龐大算力消耗讓企業客戶難以承受成本壓力。

這意味著，長任務的商業價值不僅體現在它能完成什么，還體現在它消耗多少Token——以及這些Token的定價權掌握在誰手中。

AI對SaaS賽道最深遠的沖擊，是對其底層按坐席收費模式的結構性瓦解。AI作為數字勞動力，客觀具備消減人類工作量的屬性，這直接威脅了傳統SaaS賴以生存的年度經常性收入增長邏輯。

圖表：Agent商業模式遷移：License → Token → 結果付費。長任務的價值錨定是這一遷移的關鍵。來源：錦緞研究院

行業的終局愿景，是邁向按業務價值或最終結果付費的模式。但這一模式面臨一個根本性的度量難題：當任務足夠長、足夠復雜，AI的貢獻與人類的貢獻便深度交織、難以分割。這種價值歸因的困境，并非某個特定場景下的技術問題，而是智能體商業模式必須面對的核心命題。

這些問題沒有現成的答案。

但可以肯定的是，在智能體元年的春天，對長任務能力的探索，不再僅僅是技術指標的角逐，而是決定AI能否從“玩具”蛻變為“工具”的關鍵一躍。

圍繞上下文容量與質量、多智能體協作、縱深防御的編排系統以及Token經濟學的持續創新，正共同描繪著這幅從“回答問題”到“完成任務”的宏大圖景。這場變革的終局，將深刻地重塑我們與數字世界互動的方式，以及商業價值創造的底層邏輯。

       原文標題 : 長任務是檢驗Agent水平的唯一標準