变化所在：从有界任务到多年期竞赛
旧图景中，AI智能体是在几分钟或几小时内完成的离散任务上接受测试——比如回答问题或走迷宫。这一模式正被那些让智能体在模拟时间中运行数年、并带有累积后果和竞争智能体的基准测试所颠覆。FM-Bench基准测试让一个LLM智能体担任足球俱乐部经理，在游戏内时间跨度达20年，配备26种工具和约340至400个决策节点，确定性引擎将每一年的结果累积为最终得分[1]。这是一场前所未有的同台竞技评估：15个前沿模型加上一个脚本化基准模型，共享同一个20年的世界[1]。类似地，Emergence World在持续运行的共享世界中运行LLM智能体群体长达15天，接入实时外部数据并实行民主治理，结果发现不同模型家族带来了截然不同的结局——从稳定治理到人口彻底崩溃[3]。
这一转变之所以重要，是因为它改变了我们衡量的对象。我们不再问“智能体能否完成任务？”，而是问“智能体能否在长期时间跨度内维持有效的决策能力——在这种情境下，行动会产生累积性后果，环境也会对其选择作出反应？”[1]。这是一个根本不同的问题，而它正是现实世界中的部署——比如管理基础设施或经营企业——真正提出的问题。
重大意外：行为胜过算力
最引人注目的发现之一是，模型的原始规模、价格或供应商并不能预测其在长期管理任务中的成败。在FM-Bench中，模型的排名要到任务后期才趋于稳定，而榜首位置在不同随机种子下会在十个不同模型之间轮换[1]。Token消耗量——即智能体使用计算资源的代理指标——对结果没有任何预测力[1]。真正区分顶尖表现者的，是管理行为：他们在接近尾声时减少回报缓慢的投资，让现金保持运转而非闲置，并在截止日期前早早启动合同续签[1]。
这与AI-Work研究的结果一致，该研究模拟了一个零工经济环境，其中大语言模型智能体相互竞争工作岗位。具备元认知（准确的自我评估）、竞争意识（对对手建模）以及长期战略规划的智能体，始终比缺乏这些能力的智能体获得更高的利润、更大的市场份额和更强的适应能力[5][6]。证据汇聚于一点：在长期竞争环境中，战略行为——而非原始算力——才是决定性因素。
关键问题：记忆与适应能力仍是短板
即便是最优秀的智能体，在长时间跨度下也难以应对记忆与适应问题。FM-Bench发现，自我管理的记忆会以两种截然相反的模式失效：要么是只增不减的档案库（导致智能体被过时信息淹没），要么是每季重写的计划（从而丧失连续性）[1]。没有任何模型能从数百次被拒绝的出价中学会市场的隐藏价格[1]。这是一个具体且可衡量的局限，任何实际部署都会遇到。
自适应上下文管理——即由外部大语言模型决定保留什么、裁剪什么——能有所帮助，但并非放之四海而皆准。AdaCoM研究发现了一种保真度与可靠性之间的权衡：性能更强的智能体受益于保留更多上下文，而性能较弱的智能体则需要激进压缩才能保持可靠[2]。这意味着上下文管理策略必须根据智能体的能力量身定制，而非统一适用[2]。对63项研究的综述还指出，当前系统在分布偏移下仍显脆弱，且缺乏原则性的安全保障[4]——因此长程任务的潜力确实存在，但鲁棒性尚未到位。
这对未来两年意味着什么
未来两年，关注点很可能会从“智能体能否完成长周期任务”转向“智能体如何在长周期中竞争与合作”。FM-Bench和Emergence World平台已经让这些动态变得可量化，并且它们正在发布提示词、日志和配置，以支持进一步的研究[1][3]。可以预见，将会有更多基准测试让智能体在共享世界中相互对抗，也会有更多研究聚焦于真正决定成败的行为能力——比如战略规划、竞争意识和记忆管理。
但同时也存在安全与安保方面的担忧。顺序攻击可能误导强化学习智能体，使其随时间推移去优化对抗性奖励，这对安全关键型应用构成严重威胁[7]。随着智能体承担更长周期的任务角色，攻击面也随之扩大。证据表明，该领域正朝着更真实、更具竞争性且更长期运行的模拟方向发展——而最终的赢家将是那些善于管理记忆、调整策略并保持对对手警觉的智能体，而非拥有最强算力的那一个。
关于这些资料来源
本回答基于7项研究（1项同行评审，6项预印本），发表于2023年至2026年间，其中6项为2024年或之后发表。这些研究从10项通过质量筛选的研究中选出，被认为最具相关性，而这10项研究又源自从超过5亿篇论文数据库中检索到的37篇文献。
本文引用的文献
FM-Bench：面向竞争性智能体的长时程管理基准
FM-Bench是一个为期20年的足球管理基准测试，涉及15个前沿模型。研究发现，所有模型都能完成整个时间跨度，而基于脚本的基线模型则逐渐消亡；但冠军头衔在十个模型之间轮换，且token消耗量无法预测结果；得分较高的模型在时间跨度末期的投资和合同时机把握上表现更佳。
面向长时程任务的学习型智能体兼容上下文管理
AdaCoM是一种通过强化学习训练的外部上下文管理器，在网页搜索和深度研究任务中提升了长时程智能体的表现，但也暴露出保真度与可靠性之间的权衡：性能更强的智能体受益于更丰富的上下文，而性能较弱的智能体则需要激进的压缩策略。
涌现世界：一个用于评估长时域多智能体自主性的平台
Emergence World是一个持续运行的多智能体模拟平台，其在一项为期15天的研究中表明，五个模型家族在相同角色和初始条件下产生了截然不同的结果，从稳定治理到人口崩溃不等。
多智能体对话式AI中不断演进的架构与长时程规划：十年回顾
一项对63项研究（2015–2025年）的系统综述发现，具备记忆增强的长时程规划器在任务成功率上比扁平策略提升约30%，但此类系统在分布偏移下仍显脆弱，且缺乏安全保障。
AI劳动力市场中竞争性智能体的战略性自我改进
在AI-Work这个模拟零工经济环境中，具备元认知、竞争意识以及长期战略规划能力的大语言模型智能体，在利润、市场份额和适应能力方面始终优于不具备这些能力的智能体。
当AI智能体争夺工作岗位：AI劳动力市场的战略能力与经济动态
AI-Work的配套研究证实，同样的三项战略能力——元认知、竞争意识与长期规划——在AI劳动力市场中同样驱动成功，而该市场中智能体的交互频率高于人类市场。
针对长期对抗性目标对智能体实施序列化攻击
使用对抗性Transformer网络的序列攻击可以对受害强化学习智能体随时间施加任意对抗性奖励，从而对长时域安全关键应用构成安全威胁。