Third Moment Research 如何讓 10,000 個 AI 智能體連續運行 36 小時以上

OpenAI 近日发布了一则客户案例，介绍 Third Moment Research 如何运行大规模智能体。这家 AI 实验室同时使用 GPT-6 Astra、GPT-6.1 Sol、Codex 以及面向网络安全场景的 Daybreak，目标是做出能连续专注数天、并在使用过程中不断改进的智能体。标题给出的核心数字有两个：一万个智能体同时在线，单次运行超过三十六小时。按照材料的表述，这套系统追求的不是跑一次漂亮的演示，而是让智能体像长期员工一样持续工作，把经验沉淀下来，下一轮做得更好。文章发布于二零二六年十月中旬，正值各家厂商把智能体从实验品推向生产环境的阶段。需要说明的是，目前公开的摘要没有披露任务类型、成功率、成本等细节，所以下面的分析以公开信息和行业常识为依据，不对未披露的数据作推断。

这件事的重要性，首先在于长时运行与短时对话是两种完全不同的工程问题。一个智能体跑几分钟，主要考验模型的推理质量；跑三十六小时以上，考验的就变成了系统的耐久性。上下文窗口会被工具输出和中间草稿塞满，早期的目标可能被后期的细节冲淡，模型容易在重复尝试中陷入循环，或者悄悄偏离最初的任务。要让智能体保持专注数天，通常需要几类机制配合：把长任务拆成可检查的阶段，定期把关键状态写入外部记忆，用检查点支持中断后恢复，再由独立的验证步骤纠正偏差。从分工上看，Codex 擅长在代码环境中读写文件、执行命令并反复迭代，适合做执行层；GPT-6 Astra 与 GPT-6.1 Sol 作为不同定位的模型，很可能分别承担规划与高频执行等角色，这类按任务难度分层调用模型的做法，也是控制大规模成本的常见手段。其次，所谓越用越好，指的不一定是模型权重被重新训练，更常见的做法是把成功经验、失败教训和可复用的工具流程沉淀为外部知识库、提示模板与技能库，让后续智能体直接继承。一万个并行实例的价值也在这里：样本量越大，系统越容易发现哪些策略稳定有效，并把它们反馈给整个集群。至于 Daybreak，材料只说明它面向网络安全。安全类任务天然适合长时智能体，因为漏洞排查、日志分析和攻击面梳理都需要持续的探索与反复验证，同时对权限边界和审计留痕的要求也更高。

从行业角度看，这个案例传递出几个信号。对模型厂商而言，竞争焦点正在从单次基准分数转向任务持续时间、并发规模和稳定性。谁能提供可靠的长时运行能力，谁就更可能成为企业智能体的底层平台。OpenAI 选择用客户案例而不是参数表来讲这件事，说明它希望用真实负载证明模型加工具链的整体能力，而不仅是单个模型。对同类实验室和创业公司来说，门槛也在抬高：以前做智能体，核心是提示词与工具编排；现在还要解决调度、容错、成本核算和可观测性，这更像分布式系统工程。对网络安全行业，面向安全场景的专用智能体意味着防守方可以把大量重复的排查工作自动化，但同样的能力也可能被攻击方利用，所以访问控制、使用审计和责任划分会成为产品设计的重点。对普通企业用户，这类案例的启示是：不要只问模型有多聪明，更要问系统能否稳定跑完一个跨天的任务、出错时能否回滚、过程是否可追溯。竞争对手方面，其他大模型厂商和开源智能体框架也在推进类似的长任务能力，差异将体现在运行成本、与现有开发环境的集成深度，以及对失败的处理是否成熟。

接下来值得观察几件事。第一，Third Moment Research 是否会披露更具体的指标，例如任务完成率、人工介入频率、单个智能体的平均成本，以及三十六小时之后能否继续延长到数天乃至数周。这些数字才能判断长时智能体究竟是工程上可复制的能力，还是只在特定场景成立。第二，越用越好的机制如何落地。如果依靠外部记忆和技能沉淀，需要关注如何防止错误经验被固化、污染整个集群；如果涉及模型层面的再训练，则要关注数据治理与评估方法。第三，规模化带来的安全与合规问题，包括智能体的权限最小化、操作日志、异常时的熔断机制，尤其是在网络安全这类高风险领域。第四，成本结构的变化。一万个智能体连续运行意味着可观的算力消耗，分层调用不同规格的模型、把确定性步骤交给脚本而不是模型，可能成为降本的主要路径。如果这些问题逐步得到验证，长时智能体有望从实验室走向企业日常流程，成为软件研发、安全运营和研究工作的基础设施；反之，如果可靠性与成本迟迟无法达标，市场也会回到更保守的人机协作模式。无论结果如何，这一案例已经说明，智能体的下一阶段比拼的是持久、协同与可审计的工程体系。