AI 智能体长任务为何容易中途失效

AI 智能体即使每个步骤看起来较为可靠，在多步骤任务中仍可能快速失效。相关分析援引 Toby Ord 的 arXiv 论文指出：按人类完成同类任务所需的时间衡量，智能体在执行期间面临近似恒定的失败率，成功概率会随任务时长呈指数衰减。

单步可靠不代表全流程可靠

若智能体每一步的成功率为 95%，独立执行 10 步后，整体成功率仅为 0.95¹⁰，约为 60%。这意味着即使各环节没有明显退化，整条工作流也可能因步骤不断累积而失败。失败通常在流程中途才暴露，并可能留下已完成与未完成操作混杂的状态。

Ord 将每分钟发生失败的比率记为 λ，并用 N（t）= N₀·e^（−λt）描述成功概率随时间的衰减。任务达到半数失败所需的时间为 t½ = ln（2）/ λ。核心问题因此不是任务突然变难，而是每次执行都在增加系统暴露于失败风险的时间。

以每月为 8 家客户生成报告为例，每位客户需要依次完成 6 个步骤，整个任务共 48 步。在步骤独立且每步成功率固定的假设下，端到端结果为：

因此，一个单步表现堪称优秀的智能体，按 95% 可靠性连续处理 48 步，平均约每 12 次任务才有 1 次完整成功。失败还可能发生在前几位客户已经收到报告之后，使剩余业务状态难以直接判断。

METR 通过比较人类专家与智能体完成同一任务所需的时间，衡量任务时长达到多长时成功率降至 50%。其数据显示，这一时间跨度过去 6 年大约每 7 个月翻倍，近期增长还有加快迹象。

不过，50% 成功率仍相当于抛硬币，无法直接代表日常业务流程所需的稳定交付水平。文章援引 Gartner 2025 年 6 月的预测称，到 2027 年底，超过 40% 的智能体 AI 项目可能因成本上升、商业价值不明确和风险控制不足而被取消。

更现实的工程方案是把 48 步流程拆成 8 个彼此隔离的 6 步任务。在 95% 单步成功率下，单个客户任务的成功率约为 73.5%。即使全部 8 个客户任务连续完成的总概率没有改变，失败也能被定位到具体客户，并可单独重试，而不必重新执行整条链路。

这种方法只有在检查点可靠保存时才会生效。模板、已获取数据和中间结果需要持久化，后续任务不能重新推导或抓取已经完成的内容。对当前系统而言，减少单次无人值守的运行长度、建立可恢复检查点并隔离重试范围，通常比单纯等待模型能力提升更具可操作性。