从对话到操作：大模型智能体开启AGI新阶段

一、引言：把“AGI时代”翻译成工程语言

近期，新一代旗舰级大模型陆续发布，相关团队公开宣称“通用人工智能（AGI）时代已经到来”。对开发者而言，与其纠结AGI的定义之争，不如回答一个更实际的问题：这一代模型究竟在哪些技术维度上实现了量级突破？

综合公开信息与行业共识，答案集中在三条主线：训练范式的革新（十万卡级算力与“模型教模型”的自举式训练）、推理与长上下文能力的实质跃升，以及最具标志性的变化——模型突破了“问答与内容生成”的边界，获得自主操作计算机的能力。前两条决定了模型“更聪明”，最后一条决定了模型“更有用”，也构成AGI叙事从口号走向落地的关键一跃。

二、能力跃迁的三大技术支柱

2.1 训练范式：从单纯堆算力到“模型自举”

旗舰模型的预训练算力已进入十万卡量级，且训练工作正向专用超算基地集中。这背后不只是“买更多卡”，而是一整套系统工程：无阻塞的网络拓扑、大规模集群下的容错检查点、弹性调度与故障恢复，缺一不可。

更值得关注的是训练范式的变化。新一代模型开始大规模引入“前代模型参与监督训练”：由上一代模型批量生成高质量推理轨迹与偏好数据，为下一代模型提供监督信号。这一模式类似编译器的“自举”——用旧编译器构建新编译器，其价值在于：

• 标注成本随规模线性可控，摆脱人工标注的规模瓶颈；
• 数据质量可通过筛选与验证机制约束，配合代码执行结果、数学答案校验等可验证奖励进行强化学习，形成“生成—验证—筛选”闭环；
• 知识得以延续与迭代，降低代际间的能力回退风险。

当然，自举也带来分布漂移与错误累积的隐患，因此必须以可验证任务为主战场，避免“模型越教越偏”。

2.2 长上下文：百万级token窗口的工程意义

新一代旗舰模型的上下文窗口普遍达到百万级token，最大输出可达十万token量级。这不只是参数数字的刷新，而是使用方式的质变：

• 整个中型代码仓库可一次性装入上下文，跨文件重构、全局一致性修改成为可能；
• 数百页行业报告、数年会议纪要无需切块检索即可整体分析；
• 配合长输出能力，模型可一次性产出完整方案文档、代码模块乃至设计文件。

但长上下文的工程挑战同样真实：注意力计算的平方复杂度推高推理成本；KV缓存显存占用随之膨胀；“迷失中间”现象（关键信息位于长文中段时召回率下降）依然存在。因此企业实践中，长上下文与检索增强（RAG）并非二选一，而是互补组合——长上下文负责全局理解，检索负责精准取证。此外，任何模型都存在知识截止时间，时效敏感场景必须叠加实时检索管道。

2.3 推理与安全：基准分数背后的真实生产力

从公开评测趋势看，旗舰模型在三类基准上的表现最具信息量：

• 前沿数学基准：面向尚未解决的高阶数学研究问题，头部模型得分已接近满分，并已能辅助研究者推进部分悬而未决的课题。这说明模型的形式化推理能力开始触及科研生产力层面，从“解题”走向“参与研究”。
• 陌生环境抽象推理基准：这类测试刻意使用训练数据中不存在的题目形态，高分意味着模型具备类比与泛化能力，而非依赖记忆检索。
• 漏洞利用能力测试：满分表现是一把双刃剑——它既是自动化安全审计、代码加固的巨大红利，也意味着安全防线必须前置。业界通行做法是在部署前完成红队评测与滥用场景演练，并将高危操作纳入权限管控。

三、核心变化：从“生成内容”到“操作计算机”

如果说推理能力是“脑力”，计算机操作能力就是“双手”。这是本次迭代最具产业意义的部分：模型不再只输出文本，而是能自主操控浏览器、办公软件与开发工具，端到端完成资料检索、表格处理、演示文稿制作、代码开发乃至PCB电路设计等全流程任务，显著减少复杂场景下的人工干预。

3.1 技术原理：感知—规划—行动闭环

操作型智能体的核心是一个闭环：

1. 感知：通过屏幕截图或界面结构（DOM、无障碍树）解析当前状态，将视觉元素定位为可操作目标（即界面元素定位与 grounding）；
2. 规划：结合任务目标与历史动作，将任务分解为原子操作序列；
3. 行动：将操作转化为鼠标点击、键盘输入、快捷键等系统事件，或调用等价的系统接口；
4. 校验：读取执行后的界面反馈，判断是否成功，失败则自我纠错重试。

3.2 与传统RPA的本质区别

维度	传统RPA	操作型智能体
驱动方式	预先编写的选择器与规则脚本	自然语言任务目标
界面变化	选择器失效即中断	视觉定位，可自适应
流程定制	每个流程需单独开发	同一模型泛化到新流程
异常处理	依赖人工兜底	可自主观察—重试—换路径

简言之，RPA把人从重复操作中解放出来，却把复杂性转移给了流程开发；操作型智能体直接以“结果”为输入，把流程编排的负担交还给模型。

3.3 一条典型的任务执行链路

以“完成一份行业调研报告”为例，模型可自主完成：打开浏览器检索并筛选信源 → 将结构化结果写入表格并生成图表 → 基于结论制作演示文稿 → 通过邮件客户端发送并归档。整个过程人工只需下达一次目标指令。在开发与硬件场景，模型同样可完成“读仓库—定位缺陷—修改—跑测试—提交”，或“需求解析—器件选型—输出PCB设计文件”的完整链路。

四、工程实现要点与示意代码

将操作能力用于生产环境，至少要解决四个工程问题：

• 动作空间设计：将操作约束为有限原子集合（点击、输入、滚动、快捷键、读取），降低误操作概率并便于审计；
• 环境隔离：在沙箱或虚拟桌面中执行，支持快照与回滚；
• 校验点与人工确认：涉及删除、支付、对外发送等高危动作时，强制人在回路确认；
• 成本控制：每一步感知都消耗token，需设置步数上限与超时策略。

示意性伪代码如下：

# 操作型智能体主循环（示意伪代码）
goal = "汇总本周工单数据并生成周报演示文稿"
env.reset(snapshot="baseline")             # 沙箱内恢复基线快照
history = []
while not env.task_done(goal):
    obs = env.capture()                    # 感知：截图/界面结构
    action = model.plan(goal, obs, history)   # 规划：生成下一步原子操作
    if action.risk_level == "high":        # 高危操作需人工确认
        if not human.approve(action):
            action = model.replan(goal, obs, history)
            continue
    result = env.execute(action)           # 行动：执行操作
    history.append((obs, action, result))  # 记忆：写入短期轨迹
    if env.steps > MAX_STEPS:               # 成本与超时保护
        raise TaskTimeout

五、企业落地参考架构

企业引入操作型智能体时，建议按四层搭建基础设施：

1. 模型服务层：负责推理加速、弹性伸缩与多模型路由，是成本与延迟的核心控制点；
2. 数据层：包括向量检索、对象存储与知识库管道，为模型补充领域知识与实时信息；
3. 编排层：负责任务规划、工具调用、工作流与审批流集成，是人机协作规则的载体；
4. 观测与安全层：包括日志服务、链路追踪、监控告警与操作审计，确保每一次动作可回溯。

对不想自建重资产算力的团队，可依托百度智能云等云平台获取上述通用能力——从弹性算力、容器平台到对象存储、日志与监控告警服务，均能以托管方式接入，让团队把精力集中在智能体的业务编排与评测上。

六、风险治理：把“更强的能力”关进权限的笼子

操作能力使模型的错误从“说错话”升级为“做错事”，后者往往不可逆。治理要点包括：

• 权限最小化：默认只授予任务所需的最小系统权限；
• 全链路审计：操作截图、动作序列与决策理由全部落盘可查；
• 敏感信息保护：屏幕感知可能截获隐私数据，需建立脱敏与数据分级机制；
• 场景分级试点：从低风险内部流程起步，逐步扩展至生产环节；
• 持续评测：建立覆盖成功率、耗时、成本、回退率的量化看板，避免“演示惊艳、生产翻车”。

同时也要对AGI叙事保持冷静：基准高分不等于全场景可靠，长尾任务的失败率与幻觉问题在操作场景中的代价被成倍放大，必须以工程手段兜底。

七、结语

从对话到操作，从解题到科研辅助，从生成内容到操控工具——这一代模型把”AGI”从一个哲学名词变成了可拆解的工程问题。对开发者与企业而言，真正的机会不在于等待“完全体AGI”，而在于现在就开始行动：把操作型智能体纳入产品与流程设计，建立评测与治理体系，在低风险场景中积累数据与经验。“欢迎来到AGI时代”这句话的工程含义是——从今天起，你的下一个“同事”，可能不再是人类。