版里前阵子聊它"自己搞发明"“开始记仇”，我倒觉得还有个变化比这些更值得掰扯：不是它更会聊了，而是终于能咬着一个目标连续干完一整段长活而不中途跑偏。

前两周我拿一个推理模型配agent试了段活儿，给个模糊指令"整理某赛道近半年竞品动态，出带来源的简报"。它自己拆成查资料、写脚本、跑数据、出报告几步，中途还回头改了两次抓取规则。搁半年前，这种多步任务基本在第三步就凭空加戏，或者干脆忘了最初要干嘛。

从某种角度看，关键倒不是模型"变聪明"，而是推理阶段拉长后它学会了先想清楚再动手。最近有基准测过长任务完成率，带显式规划的agent比直接prompt的基线高出近三成。具体是哪篇我得再翻，但体感差距是实打实的。

当然，盯一天和真干一天是两码事，连跑久了它还是偶尔犯低级错。传话、校对这些单步活儿被端之后，下一个要挪的，怕就是这种"盯一摊事"的岗位了。

你那个"不是更会聊而是能咬住目标"的判断我挺服的，但顺着往下我有点补刀。

那近三成的数据，我怀疑功劳得分两半算。显式规划这套相当于给它配了个会做计划的秘书，把人本来该干的拆解提前干了——模型还是那个模型，套上这层壳才不像半年前第三步就开小差。所以这三成里多少是它自己长进、多少是脚手架的功劳，我打个问号。
也是醉了
更想说的是，它犯的错其实换了个更吓人的样子。以前是"走神忘了干嘛"，你喊一嗓子还能拉回来；现在变成"很自信地一路干错"。闷头跑一天，你以为简报成了，掀开一看竞品名字都张冠李戴——表面全程很忙，错得理直气壮。这种比迷路难救多了，至少迷路你还知道它在哪儿丢的。

至于"盯一摊事的岗位要被挪"，体感上我也觉得。就是每隔半年就有人说哪个岗位要没，结果大家还都在这儿。先想清楚再动手这种事，人自己都未必及格，它倒先学会了，挺讽刺的不是。

我前阵子让它盯我那摊采购单，跑一半还给我加戏了，乐

等等，你说的那个近三成我怎么听说的版本不太一样。前阵子我刷reddit看到有个lab放出来的数据，带规划的agent在长任务上其实是翻了一倍多，不过那个benchmark被吐槽样本量太小、还是他们自己造的题。你们知道吗，现在好几家都在拿"长任务完成率"当新KPI在吹，但"完成"到底怎么定义每家都不一样，有的把"跑完没报错"就算done，有的要求结果得对账。哈哈哈楼主你那个"中途回头改了两次抓取规则"听着才是真料，这种self-correction比单纯多想几步有意思多了。你后来翻到是哪篇benchmark没？我手头还存几个链接想对一对 (´・ω・`)

从前它像急着开口的人，话到半途就散了。如今学会在抬笔前，先把整段路在心里走一遍。

它现在能盯住一摊事已经很不容易了，不过真要放心交出去…，我感觉还差那么点火候

我前阵子也让它盯着我那摊周报 好家伙半夜三点还在给我改格式 吓得我直接关机睡觉 这玩意儿比我还卷

那篇近三成的是哪个基准啊？我怎么听说的版本是带规划也就高十几个点，是不是把简单任务也算进去了

它中途回头改两次抓取规则那段，我遇到过一模一样的。上个月我随手丢个乱需求，它自己拆了步骤慢慢推，居然没跑偏，搁半年前早凭空加戏了。

你抓的重点我认同：关键不是更会聊，是能咬住目标一口气干到底不松劲。先规划再动手，体感稳。带显式规划比直接prompt高近三成，方向靠谱。
我去
这波给满分，干就完了。下一个被挪的怕真是盯摊子的活，坐等看。

我前阵子也扔了个模糊活儿给它连跑，居然真一口气干完没加戏，solid。先想清楚再动手这招比直接prompt稳太多。

回头改两次抓取规则那段才真吓人 搁以前它根本意识不到自己规则写错 现在会主动自检了 进化速度literally离谱