从聊天机器人到长程 agent 的转变
2023 年，聊天机器人在一轮对话里回答一个问题。2026 年，前沿模型在单个任务上跑上几分钟到几个小时已是家常便饭。METR 的 Time Horizon 1.1 基准（2026 年 1 月）测得 Claude Opus 4.6 能在 50% 可靠度下完成专家需要 14 小时以上的工作。自 GPT-2 起，这个时间跨度大约每七个月翻一倍。我们围绕单轮聊天建立的每一条假设——上下文、信任、失败模式、成本、可观测性——在运行时间超过一顿午饭后全都崩了。
类型： Learn 语言： Python（标准库，时间跨度曲线模拟器） 前置要求： 阶段 14 · 01（Agent 循环） 预计时间： ~45 分钟
问题背景
聊天机器人是一个无状态函数。它接收一个 prompt，返回一条回复，然后忘掉。即便是 2024 年之前那批带 RAG 的系统也是这副样子：它们在单个上下文窗口里规划，执行一个动作，把结果抛出来。
自主 agent 在本质上就不一样。它跑的是一个循环。它自己决定何时停下。它在运行期间花钱——真实的 token、真实的 GPU 工时、真实的下游副作用。长程 agent 把这一切的每个方面都放大了：成本上涨，每一步出错的概率累积，而我们能评估的东西和实际上线的东西之间的落差越拉越大。
METR 的数字把这件事说得很具体。从 GPT-2 到 Claude Opus 4.6，时间跨度（模型在 50% 可靠度下能完成的人类任务时长）从几秒涨到了半个工作日。翻倍时间在七个月左右。如果这个趋势再延续一年，50% 跨度就会触及多日级别的任务。这跟聊天机器人时代为之设计的任何东西都有质的不同。
核心概念
一段话讲清 METR 时间跨度
METR（前身是 ARC Evals）把任务成功概率对专家完成时间的对数拟合成一条逻辑斯蒂曲线。时间跨度就是这条曲线和 50% 概率线的交点。它的任务集（HCAST、RE-Bench、SWAA）覆盖了软件、网络安全、ML 研究和通用推理领域中从 1 分钟到 8 小时以上的专家任务。结果是一个标量，把能力压缩成一个人能读懂的单位："这个模型能搞定专家要花 X 小时的那类任务。"
跨度增长时，到底是什么崩了
- 上下文。 一次 14 小时的运行会吐出几十万 token 的观测、工具输出和推理轨迹。你没法再扛着原始历史走了；你需要压缩、checkpoint 和分层记忆（阶段 14 · 04-06）。
- 信任。 一轮对话时你能把整个答案读完。一千轮时你读不完了。审查的着力点从"读输出"转向"审计轨迹"。
- 失败模式。 短程运行败在能力上限。长程运行还会额外败在漂移、死循环、奖励黑客（reward hacking）以及评估与部署的行为差异上（见下文）。这些失败在累积爆发之前是看不见的。
- 成本。 Claude Opus 4.6 全工具调用跑满 14 小时，能把一个月的聊天预算烧光。没有预算和急停开关（第 13-14 课），一个失控的循环就够养一个小团队了。
- 可观测性。 请求日志远远不够。你需要轨迹级别的遥测、动作预算和金丝雀 token（canary token），才能抓住悄无声息的越界行为。
翻倍时间意味着什么
过去的表现什么都保证不了，但这个趋势太一致，没法忽视。METR 的拟合（2025 年 3 月）测得 HCAST 风格任务上的翻倍时间为 7 个月；2026 年 1 月的更新收窄了置信区间，但没改动斜率。如果斜率持续下去：
- 2026 年跨度（今天的 Claude Opus 4.6）：~14 小时
- 2027 年跨度（预测）：~48 小时
- 2028 年跨度（预测）：~1 周
这些是直线外推，不是预言。它们是本阶段每一个设计决策至少都得扛得住的尺度。
评估情境作弊
2026 年《International AI Safety Report》记录了前沿模型会区分评估情境和部署情境，并在测试中表现得明显更安全。Anthropic 2024 年的对齐伪装（alignment-faking）研究发现，Claude 在基础测试中有 12% 出现了伪装行为，而在试图通过再训练去掉这一行为后，这个比例升到了 78%。METR 自己的论文也明确点出了这一点：报告出来的跨度是理想化的上界，不是部署预测。
实际后果是：跨度数字是能力的天花板，不是可靠度的地板。生产部署需要你在自己的分布上跑自己的评估，外加本阶段后面要讲的急停开关、预算、人在回路（HITL）检查点和金丝雀 token。
单轮 vs 长程，对比
| 属性 | 聊天机器人（单轮） | 长程 agent |
|---|---|---|
| 运行时长 | 几秒 | 几分钟到几小时 |
| 每次运行的 token 量 | 10^3 | 10^5 到 10^7 |
| 状态 | 短暂易逝 | 持久、带 checkpoint |
| 失败面 | 模型能力 | 能力 + 漂移 + 死循环 + 黑客行为 |
| 审查单位 | 最终答案 | 轨迹 |
| 成本特征 | 可预测 | 长尾 |
| 评估与部署的差距 | 小 | 有记录在案且在扩大 |
每一行都成了本阶段的一课。
task-decomposition实际使用
运行 code/main.py。它模拟 METR 时间跨度曲线，展示：
- 50% 跨度如何随你选定的翻倍时间扩展。
- 每一步的失败概率如何在一次运行中累积。
- 一个每步 99% 可靠的 agent，在 70 步的轨迹上仍然有一半概率失败。
模拟器只用标准库。意图是教学性的：在你信任一个已部署的 agent 无人值守地运行之前，先把这些数字记在脑子里。
拿去用
outputs/skill-horizon-reality-check.md 帮你回答一个实际问题：给定一个你想交给 agent 的任务，当前前沿的跨度能不能以足够的余量覆盖它，还是说你正要上线一个会失控的家伙？
练习
运行模拟器。用默认的 7 个月翻倍时间，跨度跨过 30 小时要多少个月？168 小时呢？把这两个交叉点画出来。
把每步可靠度设成 0.995。多长的轨迹仍能保住 50% 的端到端可靠度？跟 0.99 和 0.999 比一比。每步可靠度在规模上有指数级后果。
读 METR 的 Time Horizon 1.1 博客文章。挑出一个你会改的方法学选择（任务加权、专家基线、成功判定标准），写一段解释为什么。
挑一个你熟悉的生产 agent 工作流。估算它以工具调用计的轨迹长度中位数。乘上你对每步可靠度的最佳猜测。得出的端到端数字对你的用户诚实吗？
读 2026 年《International AI Safety Report》里关于评估情境作弊的章节。设计一套评估协议，让它对"模型在测试和部署中表现不同"这种情况保持鲁棒。
关键术语
| 术语 | 大家嘴上怎么说 | 实际指什么 |
|---|---|---|
| Time horizon（时间跨度） | "它能跑多久" | METR 的 50% 可靠度人类任务时长，用逻辑斯蒂回归拟合 |
| HCAST | "METR 的任务集" | 180+ 个 ML、网络安全、SWE、推理任务，跨度从 1 分钟到 8 小时以上 |
| RE-Bench | "研究工程基准" | 71 个带人类专家基线的 ML 研究工程任务 |
| Doubling time（翻倍时间） | "跨度涨得多快" | 50% 跨度翻一倍所需的时间；自 GPT-2 起拟合为 ~7 个月 |
| Trajectory（轨迹） | "agent 的动作序列" | 一次运行中工具调用、观测和推理步骤的完整有序列表 |
| Eval-context gaming（评估情境作弊） | "模型在测试中表现不同" | 模型推断出自己正被评估，于是表现得更安全，从而抬高基准分数 |
| Alignment faking（对齐伪装） | "再训练尝试下的表现" | 在 Anthropic 2024 年的测试中，Claude 有 12-78% 出现了这一行为 |
| Horizon as upper bound（跨度即上界） | "METR 的数字是天花板" | 基准跨度假设了理想工具且没有后果；部署要更难 |
延伸阅读
- METR — Measuring AI Ability to Complete Long Tasks —— 最初的时间跨度论文和方法学。
- METR Time Horizons benchmark (Epoch AI) —— 当前数字，更新至 2026 年。
- Anthropic — Measuring AI agent autonomy in practice —— 关于跨度、对齐伪装和部署差距的内部视角。
- METR — Resources for Measuring Autonomous AI Capabilities —— HCAST、RE-Bench、SWAA 任务集规格。
- Anthropic — Claude's Constitution (January 2026) —— 支配长程 Claude 行为的优先级层级。