从聊天机器人到“数字同事”
腾讯优图实验室与中国多所高校联合撰写的一篇新综述论文，对人工智能的下一阶段提出了明确判断：更好的回答还不够。研究人员表示，如果AI系统要真正充当同事，就必须超越响应生成，在持续性的工作环境中可靠地完成完整任务。
这一转变在The Decoder于6月28日发布的报道中被描述为对AI发展核心问题的重新定义。问题不再只是模型能否给出更流畅或更准确的回复，而是它能否理解用户意图，与工具和文件交互，适应意外情况，并持续推进，直到工作真正完成。
在论文的表述中，目标不是聊天机器人，而是“数字同事”。乍看这像是一种品牌化表达，但其背后的区别非常实际。聊天机器人负责回答，同事负责执行。
一次性智能的局限
这篇综述梳理了大语言模型在多个阶段中的演进。在最早阶段，系统主要通过预测最可能的下一个 token 来快速生成文本。它们的能力高度依赖模型参数中压缩的模式和信息。这使它们适合起草、总结和一般性问答，但也带来了明显局限。
根据The Decoder对论文的总结，这类系统通常不会广泛搜索解决方案，不会验证中间步骤，也不会在解决问题时维持持久的状态感。它们一次性输出结果，这意味着一旦任务需要多个相互依赖的动作，或需要跨时间进行验证，其可靠性往往会迅速下降。
研究人员将后续阶段描述为“thinking LLM”阶段，即模型在推理时使用更多算力来探索解法路径、检查中间推理并纠正错误。报道将这一阶段与OpenAI的o1和DeepSeek-R1等系统联系起来，它们被视为从快速、直觉式行为转向更慢、更审慎的推理。
这种变化很重要，但论文认为仍然不够。更好的推理能提升答案质量，却不会自动造就一个能够在真实工作流中稳定运作的智能体。
为什么智能体仍会失灵
这篇综述指出了第一代AI智能体的四个结构性弱点。按The Decoder的总结，这些智能体只能零散地感知环境，无法在工具调用之间保留持久状态，一旦出现意外情况就会中断，而且往往无法完成任务。
这些问题对任何尝试把LLM当作自主助手来做编码、研究、文件操作或行政工作的用户来说都很熟悉。模型也许会调用API、打开浏览器或编写代码，但仍可能因为忘记状态变化、无法从小错误中恢复，或者缺少一个能够保留先前操作的稳定工作区而停下来。
论文给出的答案不仅是认知层面的，也是环境层面的。它指向一种持续、安全的工作空间，在那里，文件、会话、日志、权限、浏览器状态和可复用技能都能在整个任务过程中保持可用。在这种设置下，模型不只是发出孤立的工具调用，而是在连续的上下文中运行。
可复用技能的作用
论文最有力的观点之一是，AI同事走向可靠，关键在于可复用的“技能”。The Decoder将这一点概括为把意图转化为已完成工作的核心要求。在这种框架下，技能不是笼统的天赋，而是在稳定环境中可反复应用的可移植任务流程。
这一强调很值得注意，因为它改变了AI有用性的衡量标准。行业长期以来往往奖励单轮表现出色的系统：更好的摘要、更精准的回答、更精致的代码片段。综述则认为，真正的价值在别处。真正有价值的系统，是那种能够一次又一次执行一系列动作，并保持足够一致性，以至于可以被信任的系统。
持续性环境使这些技能成为可能。如果文件、日志、权限和任务上下文在每次操作后都消失，模型就必须反复重建世界。如果这些状态得以保留，系统就能建立惯例、验证结果，并在不从头开始的情况下从失败中恢复。
AI进步的衡量方式正在改变
报道认为，这标志着AI评估方式发生了更深层的变化。在旧的聊天机器人范式下，进步可以通过回答质量来衡量，例如流畅度、事实准确性、代码准确性，或在离散问题上的基准分数。在“数字同事”范式下，成功必须以任务是否完成来衡量。
这是一种更高标准。完成的工作要求模型理解目标、选择工具、维持状态、发现错误、验证输出，并且只有在满足完成条件时才停止。它还要求在复杂、真实的环境中具备一定的鲁棒性，因为环境可能在模型执行过程中发生变化。
据报道，这篇综述将OpenHands和SWE-agent等系统列为这一新阶段的例子，The Decoder将其称为“OpenClaw时代”。名称本身并不重要，重要的是其架构层面的观点：当AI系统被嵌入为持续执行而设计的环境中，而不是孤立的文本生成环境中时，它们会变得更有能力。
为什么这件事很重要
这篇论文发表之际，整个行业正在经历更广泛的转型。AI公司继续提升模型的推理和多模态能力，但企业买家和技术团队越来越关注狭窄工作流中的劳动替代：系统能否在没有持续监督的情况下，处理工单、更新代码库、收集文档、运行检查并产出可验证结果？
综述给出的回答是，这不会仅仅通过放大同样的聊天机器人模式实现。更强的回答能力有帮助，但它并不能消除对持久上下文、持久状态、工具接入和可复用执行模式的需求。
这一立场也解释了为什么有些演示看起来比它们所代表的产品更令人印象深刻。一个模型在展示单个精心打磨的提示词时，可能显得能力很强；但一旦被要求在充满中断、歧义和需要验证的完整工作流程中导航，它就会显得不那么有说服力。
实际启示
这篇综述最有价值的贡献，也许是提供了概念上的清晰度。它为许多用户已经看到的问题提供了语言：AI往往表现得像一个出色的回应者，却像一个不可靠的收尾者。通过把答案生成与任务完成区分开来，论文把开发者引向了填补这一差距所需的基础设施和产品设计选择。
如果研究人员的判断是对的，那么AI的下一次重大跃迁不会只由更聪明的模型定义，而会由这样一种系统来定义：它们能够持续行动、记忆和验证，足够长时间地把指令转化为已完成的工作。换句话说，未来的同事不能只会像同事那样说话。
本文基于The Decoder的报道。阅读原文。
Originally published on the-decoder.com