QUOTE
「AI 会干活了」——这句话说错了一半。它没有变聪明， 它换了一台机器 。
本文看点
01
它换了一台机器，从“续写”到“决策”
02
可靠性是乘法：单步 90%，十步只剩 35%
03
成熟，是失败变得可预测
2026年8月13日，DeepSeek发布了一个叫 Harness 的东西。
通稿里只有一行字： 模型加上Harness，等于智能体 。
第二天，媒体把它概括成一句： AI会干活了 。
这句话，说错了一半。
错的那一半，藏在“聪明”两个字里。人们默认，机器会干活，是因为它又 变聪明了一点 。
不是。
它换了一台机器。
先看它以前的样子。
在很长一段时间里，AI什么都能说， 什么都干不了 。
你问它怎么写一封邮件，它写得漂亮。你问它怎么整理一百张表格，它讲得头头是道。
然后你让它“真的去整理一下”，它停住了。
它不知道从哪下手。
为什么？
这件事，得从它的构造说起。
大模型从头到尾，只干一件事： 预测下一个词 。
你给它“今天天气”，它接着补“不错”；你给它半道题，它接着写下一行。它不是在“想”，它是在 “续写” 。
这是它“会说话不会干活”的根本原因——不是它笨，是它的构造里， 压根没有“手” 。
它说得出“我来帮你订一张票”，但它没法真的打开网页、比对价格、点下付款。
它说得出每一个字，却碰不到任何一个键。
它不是不理解你的问题，也不是不想帮你做。是它从头到尾，就没被设计成一个能动手的东西。它是一台 续写机器 ，你给它开头，它还你下文。仅此而已。
那后来，它怎么突然有了手？
不是谁发明了一个更聪明的算法。
是三件很平庸的东西，慢慢凑齐了。
第一件，是手。
要让机器干活，得先给它接上工具：让它能去查、去搜、去调用一个软件、去执行一段代码。这一步，技术里叫 “函数调用” 。
第二件，是记性。
早期的模型，上下文只有 32k ，大约两万个汉字。
听着不少。但一次真正的任务，要同时装下三样东西：你的目标，工具一次次返回来的结果，还有它自己中间的推理过程。
三样一挤，就溢出来了。
它干到一半，忘了自己刚查到什么，忘了自己为什么要调这个工具，最后连“我正在干什么”都忘了。
你让它查一个数据，它查回来了；你让它用这个数据做下一步，它已经把数据忘了，又去查了一遍，或者干脆用一个错的数往下算。
看起来像在干活，其实在 原地打转 。
所以它缺的，不是“读得更长”，是 “记得住自己正在干什么” 。
长上下文，是给AI的 短期记忆 。记忆不够，手再多，也是白搭。
第三件，是能量。
这个最后再说。先看最要命的那一个。
最要命的，不是手，不是记性，是“稳”。
工具调用这件事， 可靠性是乘法，不是加法 。
ACL 2025有一个叫CONFETTI的基准，专门测模型调工具的准确率。结果很冷：最强的模型之一，Amazon Nova Pro，在复杂对话里，函数调用的准确率，只有 40.91% 。
不到一半。
而这还只是单步。换成链式调用——连续调三步以上——成功率，几乎归零。
另一个基准叫Lacuna，把任务的依赖深度，从1加到4。成功率，直接掉到 30%以下 。
GPT-5做5步的任务，有72.5%的成功率；可一旦要连续做20次函数调用，成功率骤降到 15% 。
为什么会这样？论文里写得很清楚：失败的原因里，超过66%，是 “状态追踪错误” 。
翻译过来，就一句——它记错了上一步的中间结果。
把这几个数字，换成一个普通人能懂的算术。
假设一个模型，单步的正确率是90%。听着不低。
可它要连续干10步，总成功率是多少？
0.9的10次方。
约等于 35% 。
每一步都有九成把握，十步走下来，也只剩三成半的概率能顺利走完。
这才是“会干活”真正的门槛：不是“更聪明”，是 “把单步的错误率，压到连做很多步，还能用” 。
以前，这道门槛，把所有人都拦在了外面。
因为单步90%，多步就是一场灾难。一个订票的任务，中间查错了时间、记岔了价格、漏了一步确认，整件事就废了。
机器不是不想干。是干着干着，就崩了。
你不敢把票交给它。不是因为它笨，是因为你永远不知道， 它会在第几步，悄悄错掉 。
于是，第三件东西，出场了：能量。
要压住错误率，有一个很笨、但管用的办法—— 多想想 。
想一步，干一步，回头检查一步。想错了，就重来。
多想想，是把一次性的答案，变成一段反复的、会回头的路程。每回一次头，都是一次新的调用，都要再付一次钱。
所以，“多想想”是要花钱的。
一次Agent任务，要反复调用模型很多次，token的消耗，是普通问答的几十倍。
于是早年有一个被忽略的事实：不是机器不会干，是 “会干，但用不起” 。
2025年初，DeepSeek R1把这个“多想想”的能力，压到了一个低一个数量级的价钱。原来只有大厂用得起的“推理”，开始 人人用得起 。
记忆变长了，手变稳了，能量变便宜了。
三个平庸的量，叠加在一起，堆出了一个质变：会干活。
现在，可以回答开头那句“错了一半”了。
Harness的意义，不是一个更强的模型。
是它第一次，把“手、记性、能量”这三件东西，装进了同一个壳里，让它们能稳定地、连续地工作。
而这件事真正要紧的地方，不在“它更聪明了”，在 “它的失败，变得可以预测了” 。
一个会订票的AI，可怕吗？不可怕。
可怕的，是你把票交给它，却不知道它会在哪一步崩。
可一旦你知道：它十步里，有几步会错，错在哪一步，你能不能提前拦住——那它就从“一个偶尔翻车的聪明玩具”，变成了 “一个可以托付的工具” 。
成熟的标准，从来不是“永远不犯错”。
是 “错，是可预期的” 。
写到这儿，我回到那个傍晚。
2026年8月13日，世界没有为这件事停一下。
有人照常下班，有人照常加班，有人在回家的路上刷到这条新闻，然后划了过去。
他们不会知道，从这一天起，一件从前只有少数人敢交给机器的事，开始变得， 谁都能试一试 。
而当“干活”第一次变得稳定、便宜、人人可用，它就不再只是一个技术话题。
它会落到每一个人的工位上，落到每一个普通人的月薪上。
这些，是后面要讲的事。
而这件事的分量，不在机器那一端。
在人这一端。
END
我是【AI高效进化论】，与你一起进步。
如果你觉得今天这篇有收获，欢迎 点赞、在看、转发 三连，我们下篇见。