全部 · 2026-09-03

这条消息最值得看的是代码和媒体标题之间的温差。媒体说“永不停歇”，但源码里写的是“再次采样”，本质是一个每 1 到 3 分钟唤醒、检查、再休眠的循环，没有常驻进程。每次睡下前，模型必须记下目标、当前状态、收工条件和下次检查时间，醒来后自己判断该干什么。一条硬规矩是持续运行不扩大授权范围，超出权限必须先请示。 OpenAI 按住开关不上线，原因很具体。ProAgentBench 的评测显示，模型判断“现在该不该主动帮忙”的准确率最高只有 64.4%，三个决定里错一个。Anthropic 的工程博客也给了个数字：模型自动审查时，对真实过度行为的漏检率是 17%。把三分之一的时机误判和两位数的漏检率放在一个自唤醒系统里，出事只是频率问题。正文没披露 OpenAI 自己的内部评测数据，也没给出计费模型的具体方案。 适合交给它的任务是 CI、部署、构建这类“执行一分钟、等待十分钟”的交付型任务。不适合的是写方案、做设计这种下一步依赖人类反馈的开放式任务。监控任务要特别小心，因为模板规定不能自行提前收工，成本没有天然上限。今天就能搬走的三条纪律是：写好检查点四要素、无实质变化保持静默、优先复用确定性机制。

这条新闻最值得看的是 xAI 把 Bot 定位成“虚拟员工”而不是聊天助手，并且直接给出了财务 Bot 省下数万美元的具体案例，比泛泛讲提效实在。但要注意，所有案例都来自官方博客，没有第三方验证，实际落地效果得打个折。企业版这次补上了权限、网络和审计控制，说明之前个人版在合规上是裸奔的，现在才算能进公司采购清单。两周免费试用覆盖全公司是个聪明的推广策略，但正文完全没提试用期后的价格，这是最大的信息缺口——如果定价对标企业级 RPA 或外包人力，成本可能不低。另外，Bot 之间能互发消息、共享上下文这个设计，意味着企业需要重新考虑权限边界：一个 Bot 能调另一个 Bot 的数据，审计链条会变复杂。整体看，产品思路清晰，但缺定价、缺独立评测，先别太激动。

这三条新闻凑在一起，讲的是同一件事：缓存折扣让名义数字和实际成本严重脱节。OpenRouter 的数据显示智能体每周烧掉 7.3 万亿 token，名义上是人类的 5.2 倍，但其中 70% 到 85% 是缓存读取，服务商对这部分只收原价一折左右，粗算下来实际账单大概只多出一倍。这个数字只能代表 OpenRouter 一家平台，它的流量只占全球推理量的 1%，区分人类和智能体的算法权重也没公开，没法复现。更麻烦的是智能体经常掉进重试风暴，一遍遍重来，token 滚上去了，干的活没变多。 GitHub 的文档压缩工具和 OpenAI 的芯片跑分也栽在同一个坑里。压缩工具官方说复用 2,000 次回本，但那是按全价算的。把缓存折扣算进去，中位回本门槛直接抬到 5,000 次以上，全缓存场景甚至要 20,000 次。芯片跑分在固定长度测试里赢了 Nvidia，但缺了模拟真实智能体负载的 AgentX 成绩，而真实负载里占比最大的活儿，正好是享受折扣的重复内容读取。这三笔账提醒我们，看 AI 成本数字，先问一句：缓存折扣算进去了没有。

这篇指南最实在的地方是它把门槛打下来了。用TRL库跑GRPO（一种按组比较、挑好回答来优化的强化学习方法），只喂了500条样本，在免费Colab GPU上训练100步，就把LFM2.5-350M这个3.5亿参数小模型在IFStruct基准上的格式合规率从22.6%提到了29.7%。提升幅度有7个百分点，说明方法有效，而且成本几乎为零。 但数字本身也得冷静看。29.7%的合规率意味着十次里有七次还是输出格式不对，离生产可用还有距离。正文没披露这个基准的难度细节，也没说模型在其他能力上有没有退化。另外，实验只在一款模型上跑过，换别的模型效果会不会打折，目前不知道。 我会把这份指南当成一个可复现的起点，而不是一个拿来就用的方案。它证明了小模型+少样本+轻量强化学习这条路走得通，但真要落地，还得补上更多模型和任务的交叉验证。

xAI 这篇设计文章的核心判断很明确：未来的 AI 交互对象应该是能长期存在的“Bot”，而不是一次性的聊天会话。每个 Bot 有自己的名字、头像、记忆和一套工具，用户不在线时也能继续工作。界面侧边栏因此从聊天历史变成了 Bot 列表，并显示它们当前的状态，就像看同事是否在线。 这个思路把产品重心从“对话”转向了“委托”，让 AI 更像一个能独立承担任务的数字员工。文章展示了 Bot 可以自动整理收件箱、起草回复、跟进客户状态，但正文没披露任何性能数据、延迟指标或实际成本。 目前还缺几个关键信息：Bot 自主干活时的错误率有多高，用户如何纠正它的误操作，以及这种持久化运行会消耗多少算力、怎么收费。这些直接决定了它到底是生产力工具，还是一个需要时刻盯着的实习生。