Agent元年：长任务通过率不足20%，顶尖AI面临“成人礼”考验

检验AI智能体（Agent）水平的唯一标准，是长任务。这个判断基于一个残酷的现实：当前最顶尖的Agent在长任务中的通过率不足20%，且随着任务迭代，其代码质量会持续恶化。短任务可以依赖记忆，而长任务则要求真正的理解、上下文连贯性、以及在数百步后仍能记住最初意图并自主调整策略的能力。这已不是单纯增加模型参数就能解决的问题，而是触及了从上下文管理、工作流编排到多智能体协作与纵深防御的系统性架构挑战。

学术基准的数据揭示了这一困境的深度。Claude与Codex的竞争，展现了两种不同的进化路径：前者强化上下文容量与协作，后者追求超人类的调试与自我进化能力。攻克长任务的Agent，可能需要融合这两条路径的优势。与此同时，Token经济学的兴起为长任务提供了商业价值的锚点——当Agent能完成人类需要数小时甚至数天的复杂任务时，消耗百万级Token的成本将变得微不足道。核心问题在于，如何将完成率从20%提升至80%，并确保代码质量在长期迭代中不退化。

2026年被广泛视为“智能体元年”，其核心标志是AI从“回答问题的人”转变为“完成任务的人”。这一转变在工程层面是颠覆性的。过去围绕模型参数规模和单步完成率的竞争叙事已经失效。当AI成为“执行者”，一个复杂任务（如从零开发网页应用）可能涉及数十甚至上百个步骤，每一步的错误都可能累积，导致最终失败。因此，长任务能力已不再是一个单纯的技术指标，而是区分“玩具”与“工具”的唯一标准。能可靠完成长任务的Agent，其Token才真正具有价值，其商业模型才有意义，也才能真正重构人类的工作流。