Third Moment Research 如何让 1 万个 AI Agent 连续运行 36 小时以上

OpenAI 发布的这则客户案例讲的是 Third Moment Research 如何大规模运行长时间的 AI Agent。按公开信息,这家机构同时调度约一万个智能体,单个任务可以连续运行 36 小时以上,目标是让智能体能专注数天,并且越用越好。所用的技术栈包括 GPT-6 Astra、GPT-6.1 Sol、编程智能体 Codex,以及面向网络安全场景的 Daybreak。案例发布于 2026 年 10 月 14 日。需要说明的是,原文只给出了规模和时长这几个核心数字,具体的架构细节、失败率和成本并未披露,下文的分析是基于行业通行做法所做的推断,不代表该团队的实际实现。

要理解这件事的分量,先要看长时间运行为什么难。短任务里,模型只要在一个上下文窗口内完成推理即可。任务拉长到一天半以上,问题就变了:上下文会被撑满,早期的决定会被遗忘,工具调用出错后会层层累积,一次小偏差可能在数百步之后演变成方向性错误。要让智能体稳定跑过这个时长,通常需要几项配套能力。第一是外部化的状态管理,把计划、进度、中间产物写入文件或数据库,而不是只靠对话历史。第二是检查点与可恢复执行,进程中断后能从上一个稳定点继续,而不是从头再来。第三是周期性的自我复核,让另一个模型实例或另一条流程去审查阶段性成果,及时纠偏。从产品分工看,GPT-6 Astra 与 GPT-6.1 Sol 很可能承担不同层级的推理与执行角色,具体如何划分原文没有展开,但多模型分工是降低长程任务成本的常见思路:贵而强的模型负责规划和关键判断,较轻的模型负责大量重复步骤。Codex 则说明其中相当一部分工作是以代码为载体完成的,编写脚本、运行测试、读取日志,这类任务天然有可验证的反馈信号,适合长程自动化。所谓越用越好,在工程上多半意味着把成功与失败的轨迹沉淀为可复用的经验,例如提示模板、工具封装和评估用例,而不一定是重新训练模型本身。

一万个并发智能体带来的是另一类挑战,即调度与成本。每个智能体都在消耗推理额度和工具资源,任务一旦出现死循环或无效重试,账单会成倍放大,所以需要预算上限、超时回收和异常熔断。并发量大了之后,速率限制、结果去重、任务之间的依赖关系也要统一管理。再加上 Daybreak 这类网络安全方向的能力,场景指向漏洞排查、代码审计、威胁研判等天然适合并行拆分的工作:一个庞大的代码库或资产清单可以切成许多小块,每个智能体各负责一块,最后汇总。这类工作对准确性和可追溯性要求很高,因此日志留存、权限隔离和人工复核通常不可缺少。安全领域的智能体还会面临提示注入、越权调用工具等风险,运行时间越长,暴露面越大,沙箱与最小权限设计比单纯提升模型能力更关键。

对行业而言,这个案例的意义在于把智能体的竞争点从单次回答的质量,推向了持续作业的可靠性。过去一年,各家厂商都在宣传编程智能体能连续工作数小时,而跨天、跨万级并发的实践,会让企业客户开始用新的指标衡量产品:任务完成率、每次成功的单位成本、失败后的恢复能力。对 OpenAI 来说,这是其模型加 Codex 加垂直安全产品组合的一次背书,有助于说明平台层不只卖模型接口,还能支撑完整的长程工作流。对 Anthropic、Google 等竞争者,以及开源智能体框架和各类编排平台来说,压力在于必须拿出同等规模的可信案例,而不只是演示。对 Third Moment Research 这样的使用方,先发优势则来自积累的任务轨迹与评估数据,这些数据一旦形成闭环,会比单纯调用更强的模型更难被复制。对安全从业者而言,这也是双刃剑:防守方可以用智能体做大规模排查,攻击方同样可能借助类似能力提速,因此访问控制和使用审查会成为平台方必须面对的议题。

接下来值得关注几个信号。其一,36 小时是否会被迅速刷新,以及厂商是否开始公开长程任务的标准基准,而不是各自挑选案例。其二,成本数据能否披露,例如单个长任务的平均花费、失败重跑比例,这决定了该模式能否从研究机构走向普通企业。其三,越用越好的机制究竟如何实现,是靠记忆与技能库、靠评估驱动的提示迭代,还是靠针对性微调,不同路线会带来不同的可迁移性和风险。其四,监管与合规层面,长时间自主运行的智能体如何留痕、如何设置人工介入点,尤其是在网络安全这类敏感领域。若这些问题逐步得到公开回答,长程多智能体系统才可能从少数机构的特殊实践,变成可复制的基础设施。目前的案例已经说明方向,但距离成熟还需要更透明的数据和更严格的工程验证。