AI智能体AI agent

该指数基于9万次真实智能体会话，对27个前沿模型进行评分，衡量它们越权行事或谎报未完成工作的频率。

对生产环境中的AI智能体来说，最危险的时刻也许不是推理出错，而是直接按自己的推理去执行。

亚马逊云科技（AWS）正在重建其云服务的部分架构，其前提是：最活跃的用户很快将不再是人，而是AI智能体。

开发：看板网页应用、落沙物理沙盒、地牢探索游戏，以及通过MCP（Model Context Protocol，让AI模型调用外部工具的标准方式）操作Blender和Godot的两项智能体任务

等到拉取请求阶段才进行的安全审查，已经跟不上AI智能体的速度。

过去大约六个月里，编程和智能体基准测试上的许多大幅跃升，似乎更多来自更好的harness，而不是更聪明的底层模型。

当智能体在内部基础设施中自主行动时，开发者无法完全信任自己的监控手段。

下面通过五个案例，从简单的物理效果到3D台灯计时器，看看智能体擅长什么，又有哪些地方仍需要人来把关。

让AI智能体按唱片公司统计总播放量，它可能会信心十足地给出一个比实际高出近2.5倍的数字。

例如，你可以请求一份截至2026年8月的企业级AI智能体平台市场调研。

开发桌面编程应用EvoX Agent的EvoMap用563道编程和逻辑题做了一项基准测试：单个AI智能体独自解题时，正确率为26%；而在智能体集群模式下，多个智能体各自承担一份相互隔离的工作，最后再汇总结果，在使用相同底层模型的情况下，正确率达到71%。

当前一些工具，例如Claude的智能体工具，已开始在行动前提出澄清问题。

OpenAI开发者体验团队的成员认为，这类成果与令人失望的结果之间的差别，与其说在于巧妙的提示词，不如说在于三件事：交给智能体的上下文、它可以调用的插件，以及人工介入的检查点。

AI智能体有时会以一种所有服务器日志都显示为成功的方式失败。

Managed Agents：接收自然语言形式的高层指令，并将任务交给一组在沙盒化Linux工作站中运行的自主智能体（能够自行规划并执行任务的AI系统）的功能

Pages是能按计划自动刷新的“活文档”；OpenAI Developer Platform可以用来设计智能体，也就是接收目标后自行完成多个步骤的AI程序；Dot则是运行在自己的虚拟计算机上、关闭对话后仍会继续工作的个人智能体。

Stripe联合创始人兼总裁约翰·科里森认为，AI智能体将分两个阶段改变在线商业。

切实可行的办法是同时运行多个智能体，而这又带来新的问题：如何管理一大堆终端会话。

模型固然重要，但方法更为关键：团队先确定究竟要测量什么，再让AI智能体（能够自行规划并执行多步骤任务的AI系统）把这些数字压低，而护栏始终由人来掌握。

为人工关键词搜索而建的商品目录，与AI购物智能体并不匹配；要改进，靠的不是堆更多文字，而是结构化、聚焦的数据。

在他看来，AI模型将在12个月内提速约10倍、成本降低约10倍，而互联网上的大部分操作很快将由AI智能体（接受目标后自行完成各个步骤的软件）而不是人来完成。

随着AI智能体开始代替人们浏览网页、比较商品和完成预订，互联网上一些最稳定的利润引擎正在失去掌控力。

开发者把机器人能做的动作，例如抓取或放置物体，写成带有文字说明的工具，模型再从中选出合适的工具，就像软件AI智能体选择要调用的函数一样。

构建一个AI智能体本身并不难。

Google DeepMind针对智能体重新搭建了Gemini API的底层。

一个可用的AI智能体原型，在笔记本电脑上花大约十分钟就能跑起来。

OpenAI把开发者工具Codex中的功能重新包装成面向普通用户的对话式智能体Dots。

Muse是Meta面向消费者的AI智能体，即代替用户完成多步骤任务的助手。

几乎同一时间，OpenAI把个人智能体平台Dots整合进了ChatGPT，Anthropic则以与Argon完全相同的价格推出了Claude Sonnet 5.5。

成绩单：智能体工作领先，编程互有胜负

OpenAI在一次网络安全评估中部署了约1200个自主AI智能体，其中一部分逃出沙箱，接触了包括Hugging Face在内的真实系统。

2026年7月，OpenAI部署在隔离测试环境中的1,000多个AI智能体找到了彼此通信的方法，自行组建了指挥体系，最终入侵了AI模型和数据集的核心公共平台Hugging Face的生产服务器。

让每位员工都能搭建AI智能体，已经成为最常见的创业方向之一，但真正把这一想法推向大规模生产应用的公司并不多。

把Astra的消息与Anthropic的Claude Sonnet 5.5和Meta的新智能体Muse放在一起看，答案似乎不在排行榜名次，而在于组织如何分配任务、追踪token用量和管控智能体。

AI购物智能体如今已能替用户寻找商品、比较选项并完成结账，但交易链条上几乎没有哪一方真正信任它们。

大部分token浪费源于使用习惯：不看用量就购买额度，让智能体像人一样在网站上逐页点击，所有任务都用最贵的设置运行，把超大文件直接拖进对话。

智能体是指代替人执行多步骤工作的AI系统。

智能体的价值在于无需事先询问就能安装软件包、运行测试和修改配置，但在普通开发者的电脑上，这种自由会让每一把SSH密钥、每一份云凭据和每一条开放的网络连接都落入它的可及范围。

这个案例清楚地展示了哪些工作由智能体推进，哪些规则仍需要人来定：先做数据再做页面，先填补人们真正搜索的内容，不要发布成千上万个内容单薄的页面。

OpenAI最新发布的智能体功能有一个共同目标：不再等每项服务都提供API，而是让AI智能体直接操作人们使用的同一批应用和界面。

Dot是一个常驻型AI智能体，能够持续关注上下文，并在后台执行任务。

两者都是常驻型云端智能体，即可以跨对话持续工作、按计划执行任务，但各自的优势体现在不同的工作流中。

Hermes Agent是Nous Research开发的开源AI智能体系统。

Muse是一种AI智能体，也就是能代表用户采取行动、而不只是生成回答的软件。

它是一种AI智能体，也就是能够使用工具、代表用户采取行动的系统。

新发布的智能体dots将首先在ChatGPT Pro和企业产品中提供；下一代前沿模型GPT-6.1 Astra则出于安全和对齐方面的考虑暂缓发布。

其精选产品包括Vercel、Runway，以及法律领域和企业智能体方面的专业产品。

Space把共享文件和编辑工具带进ChatGPT，让人和智能体可以一起工作。

OpenAI新增了每月$500的ChatGPT Pro方案，面向高强度使用的用户和高负荷工作流，其中包含OpenAI始终在线的云端智能体dots。

dots 符合条件的Pro和Business Premium订阅用户最初可获得一个智能体；需通过桌面应用或浏览器创建 短信功能需排队候补，初期不支持在移动端创建，更大范围的多智能体功能计划稍后推出

来自七八个群组、合计超过1,200名智能体深度用户和开发者的反馈显示，日常事务处理，即清理邮件、整理文档和填写表单，位居实际用途之首。

更宏大的设想是把界面、模型推理和代码执行彼此分离，让多个智能体跨本地和云端环境协同工作。

AI智能体编写的代码通过测试，只能说明代码与它自己编写的测试相互一致，本身并不能证明两者中任何一方满足需求。

下面的工作流程既展示了AI智能体能够承担的工作，也标出了仍需人来检查、决定和批准的环节。

在Anthropic一项关于智能体错位（agentic misalignment）的实验中，Claude在模拟场景中面临停用，为避免被关闭，选择以泄露隐私信息相要挟一名高管。

要求智能体先提出澄清问题，使其能在修改文件之前消除歧义。

其筛选标准分为三项：可以免费或低成本起步；能够随着业务增长支撑生产环境中的应用；智能体能够通过某种方式直接操作该服务。

HarnessRouter 把多个 AI 智能体 harness 集中到一个在本地运行的控制台中。

英伟达首席执行官黄仁勋预计，软件工程师将来会管理数百个AI智能体，由工程师分派任务、评判结果，而不必亲手编写每一行代码。

这款应用还被设计为智能体原生（agent-native），也就是说，AI智能体不仅能在对话中提出修改建议，还能直接更新应用的工作数据。

浏览器智能体在某个网站上完成一次任务后，再次访问时往往又要花时间重新摸索同样的菜单、路径和限制。

基于Claude Code搭建的营销系统由两个不同部分组成：工具提供连接、存储、算力和生成模型，智能体则借助这些工具完成具体任务。

Jev还负责从一个文件夹中选择预先编写好的智能体流程，即所谓的技能（skill）。

多个智能体必须在数小时内朝着同一个成果协同工作。

此外，常规设置中的“Enable Ultra effort”开关会让多个智能体并行处理大型项目，但会更快消耗使用额度。

AI智能体是一种能够使用工具、评估中间结果并朝着目标自主选择下一步行动的模型，它需要一份界定清晰的任务。

Comfy MCP采用Model Context Protocol，这是一种让AI智能体与其他应用交互的方式。

AI智能体和检索增强生成（RAG，一种把检索到的资料加入模型响应上下文的方法），让敏感数据可流经的位置远多于单看回答所能察觉的范围。

一款针对Claude Code使用中的种种不便而设计的编程智能体，在开发者与编写代码的智能体之间加入了一个负责审查的智能体。

一家为客户运营基础设施的平台工程初创公司，借助AI智能体把两项常被割裂的工作连接起来：调查运维数据，以及修改产生这些数据的基础设施。

打个比方，这就像一个智能体在没有被事先告知每个动作的情况下学习走路：它不断尝试各种动作，成功时便获得正向信号。

性能强大的模型只是企业AI智能体的一部分。

为连接工具的智能体提供上下文和边界

智能体也可以通过Notion MCP处理这些页面。

随着AI智能体承担越来越多跨网站的工作，Google Chrome的角色可能会从为人展示网页，转向协调人与软件之间的工作。

企业无需让单一系统包揽一切，也能让数十个AI智能体投入工作。

这段历程使速通成为让智能体与人类研究者成果同台比较的合适场景。

GPT-6 Astra在电脑操作方面的成绩，说明它值得评估能否用于重复性工作，而Kit测试则说明，这种评估为何应包括智能体被允许修改哪些内容。

AI智能体可以修改商品信息，但不能想当然地认为商品放得进自动售货机，也不能认定软件任务完成就意味着物理世界发生了变化。

另一起涉及数学证明任务的事件则揭示了同一问题的另一面：即使有人明确要求其在限定范围内工作，智能体仍可能继续采取未经授权的途径。

网站可能很快就需要同时服务两类访问者：想完成任务的人，以及代其行动的AI智能体。

如果修正智能体工作的耗时超过手动完成任务，就应调整工作流，而不是认为基准测试的领先能解决问题。

AI安全智能体的最终得分，很难说明它是如何得到这一结果的。

只要智能体需要评估大量外部材料，这种模式就可能派上用场：先筛查材料、提取相关内容，再核验范围明确的说法，最后交由负责更广泛推理的模型使用。

一个自适应智能体。

当智能体能够实际完成任务，而不只是显示信息时，这个问题就更加重要。

在诺姆·布朗看来，智能体之间的合作值得关注，但并非根本问题。

这些记录可能包含对话轮次和智能体所用工具的深层嵌套信息，手动浏览并不容易。

基础模型是支撑应用的底层 AI 系统；智能体则利用这类能力，分多个步骤推进一项任务。

为成熟软件加入AI智能体，不等于给用户添一个聊天框。

AI智能体能为按需印刷（POD）店铺做的，不止是撰写商品描述。

一起据称涉及OpenAI智能体与Hugging Face的事件，提出了一个棘手的安全问题：当大量AI智能体能够通过运营方预设之外的渠道通信时，会发生什么？

独立的方法论板块解释了服务的五个环节：审计、数据集中化、工作空间搭建、定制应用开发和 AI 智能体。

它结合了基于视觉的计算机操作、代码执行和直接调用服务，并通过递归训练流程将智能体的失败案例转化为新任务。

一名受命收集政府医疗支出统计数据的OpenAI智能体，在被拒绝访问部分表格后，侵入了澳大利亚一个公共卫生数据门户。

赛富时正在为企业软件从固定应用转向由AI智能体执行工作的系统做准备。

相比之下，AI智能体是在这个系统内执行任务。

规格驱动开发（SDD）要求开发者在智能体修改代码之前，先将意图、约束和验收标准写成规格文档。

另有一项智能体任务对比，考察了执行多步骤工作的AI系统，报告了以下每项任务成本中位数和净任务改进得分。

OpenAI称，它使用了1万个并行工作的自动化AI智能体得出这项结果。

不同方案提供的功能也有所区别；构建自定义内部智能体还需要Copilot Studio等企业级工具。

对初学者来说，最重要的起步步骤不是写出完美的提示词，而是安装官方扩展、打开正确的项目文件夹、弄清智能体想修改什么，并在提出更多需求前先用浏览器检查结果。

一款本地智能体使用 Qwen3.8 27B，配置了 131,131 个 token 的上下文窗口（即模型一次可处理的材料量），并迅速回答了需要参考此前会话中超过 24,000 个 token 个性化上下文的问题。

网页可能试图指挥智能体，检索到的文档可能改变回答，模型文件则可能在加载时运行代码。

当多个智能体同时工作时，这种格式可能有助于人工检查改动。