大家好，我是肆〇柒。今天要和大家分享的是由杜克大學(xué)(Duke University)和Zoom視頻通信公司(Zoom Video Communications)聯(lián)合研究團(tuán)隊最新發(fā)布的LiveMCP-101基準(zhǔn)測試研究。這項研究首次系統(tǒng)性地評估了AI智能體在真實(shí)動態(tài)環(huán)境中的多步驟任務(wù)執(zhí)行能力，揭示了即使是最前沿的GPT-5在處理復(fù)雜現(xiàn)實(shí)任務(wù)時成功率也不足60%的關(guān)鍵發(fā)現(xiàn)，為行業(yè)提供了突破方向的精確坐標(biāo)。

現(xiàn)在，我們可以想象這樣一個場景：一個9歲的孩子癡迷于 XX 團(tuán)的演唱會，某天晚餐時神秘地說："爸爸，你知道我們樂隊的名字其實(shí)源自xx 團(tuán)的一部作品嗎？"他渴望觀看xx 團(tuán)的表演，而父親想給他一個驚喜——為他預(yù)訂60天后主場的比賽門票，安排前一晚的住宿，并準(zhǔn)備一份包含球隊詳細(xì)信息的報告。這個任務(wù)需要查詢球隊信息、計算步行距離、篩選符合預(yù)算的民宿或酒店等，還要將所有信息整合成專業(yè)報告。在真實(shí)世界中，AI智能體能可靠的完成這樣的復(fù)雜任務(wù)嗎？

LiveMCP-101基準(zhǔn)測試給出了一個答案：即使是最前沿的大型語言模型（LLM）在處理此類真實(shí)動態(tài)場景中的多步驟任務(wù)時，成功率竟然不足60%。這一發(fā)現(xiàn)揭示了當(dāng)前AI智能體技術(shù)與實(shí)際應(yīng)用需求之間的巨大鴻溝，也為行業(yè)提供了突破方向的精確坐標(biāo)。

方法論創(chuàng)新：動態(tài)環(huán)境評估的科學(xué)突破

傳統(tǒng)AI智能體評估面臨一個根本性挑戰(zhàn)：真實(shí)世界是動態(tài)變化的。當(dāng)同一API調(diào)用在不同時間返回不同結(jié)果時，如何公平評估智能體的性能？LiveMCP-101提出了革命性的雙軌并行評估框架來解決這一難題。

該框架同時運(yùn)行兩個執(zhí)行流：一是實(shí)時參考執(zhí)行，參考智能體嚴(yán)格遵循驗(yàn)證過的執(zhí)行計劃，僅使用計劃中指定的MCP工具生成參考輸出；二是實(shí)時測試執(zhí)行，被評估智能體僅接收自然語言查詢和預(yù)定義的每任務(wù)MCP工具池，必須獨(dú)立分析查詢、選擇工具、調(diào)度調(diào)用并處理中間結(jié)果。

LiveMCP-101雙軌評估框架示意圖

這種設(shè)計巧妙地規(guī)避了"時間漂移"問題——MCP工具響應(yīng)隨時間變化的現(xiàn)實(shí)挑戰(zhàn)。例如，當(dāng)查詢"最近的餐廳"時，不同時刻返回的結(jié)果可能完全不同，傳統(tǒng)評估方法會錯誤地將這種自然變化歸咎于智能體能力不足。LiveMCP-101通過雙軌對比，只評估智能體相對于參考執(zhí)行的相對表現(xiàn)，而非絕對結(jié)果，從而實(shí)現(xiàn)了更公平的評估。

在深入了解這一框架前，有必要簡要解釋兩個關(guān)鍵概念：

• MCP(模型上下文協(xié)議)：MCP是Anthropic提出的標(biāo)準(zhǔn)化框架，通過JSON-RPC API層集成LLM與外部工具，為模型提供了一種統(tǒng)一方式來發(fā)現(xiàn)、調(diào)用和協(xié)調(diào)跨不同領(lǐng)域的工具。自2024年發(fā)布以來，MCP已被所有主要AI廠商快速采用，成為連接AI智能體與外部服務(wù)的關(guān)鍵橋梁。
• ReAct提示框架：ReAct是"推理+行動"框架，將推理與工具調(diào)用解耦，使LLM能基于外部信息調(diào)整計劃。在LiveMCP-101評估中，所有模型都采用ReAct提示，確保評估條件一致。這種框架允許智能體在執(zhí)行過程中糾正錯誤并動態(tài)調(diào)整計劃，是實(shí)現(xiàn)復(fù)雜任務(wù)處理的關(guān)鍵機(jī)制。

LiveMCP-101的另一大創(chuàng)新是采用執(zhí)行計劃而非最終結(jié)果作為評估基準(zhǔn)。研究團(tuán)隊首先使用o3模型基于查詢和工具規(guī)范生成執(zhí)行計劃，然后通過參考智能體執(zhí)行軌跡和輸出進(jìn)行修訂，結(jié)合LLM輔助編輯與人工調(diào)整，修正邏輯、工具選擇、參數(shù)和數(shù)據(jù)處理錯誤，約耗費(fèi)120博士工時。

工具鏈長度分布

執(zhí)行計劃的工具鏈長度分布顯示，任務(wù)平均需要5.4步工具調(diào)用，范圍從2到15步不等。這一設(shè)計反映了真實(shí)場景中多步驟任務(wù)的復(fù)雜性，遠(yuǎn)超現(xiàn)有基準(zhǔn)的單步或簡單多步任務(wù)。例如，Hard級別的NBA任務(wù)需要智能體完成：確定球隊名稱、查詢球隊信息、計算步行距離、篩選住宿、整合報告等多個步驟，每一步都可能出錯。

值得注意的是，LiveMCP-101與同期工作相比具有顯著優(yōu)勢。例如，今天有研究團(tuán)隊提出的MCPEval雖然也評估MCP連接的智能體，但其設(shè)置僅限于單個MCP服務(wù)器內(nèi)的用戶查詢，任務(wù)復(fù)雜度低，導(dǎo)致不同模型獲得相似的成功率，無法提供關(guān)于各自優(yōu)勢和劣勢的深入見解。而LiveMCPBench任務(wù)相對簡單，平均每例僅2.7次工具調(diào)用和2.8個步驟，且其黃金標(biāo)注僅指定工具名稱而無詳細(xì)參數(shù)。相比之下，LiveMCP-101引入了三級難度結(jié)構(gòu)（簡單、中等、困難），任務(wù)平均需要5.4次工具調(diào)用步驟，使其成為對LLM更具挑戰(zhàn)性的基準(zhǔn)。

評估指標(biāo)體系也經(jīng)過科學(xué)設(shè)計：任務(wù)成功率（TSR）衡量嚴(yán)格成功的任務(wù)比例；平均結(jié)果得分（ARS）反映解決方案的整體質(zhì)量；平均軌跡得分（ATS）評估執(zhí)行過程的邏輯性與完整性。研究還驗(yàn)證了LLM-as-Judge的可靠性，人類專家與LLM判斷者在結(jié)果評估上達(dá)成85%以上的一致性（Cohen's κ>85%），在軌跡評估上達(dá)成78%以上的一致性。

Human-LLM評估一致性

上圖顯示，人類與LLM判斷者在結(jié)果評估上的協(xié)議(二次加權(quán)Cohen's κ)超過85%，在軌跡評估上超過78%。軌跡評估一致性略低于結(jié)果評估，這表明評估執(zhí)行過程的質(zhì)量比評估最終結(jié)果更為復(fù)雜和主觀，因?yàn)檐壽E評估需要考慮更多維度的邏輯連貫性和步驟合理性。這種差異提醒我們，雖然LLM-as-Judge在結(jié)果評估上非?？煽?，但在評估執(zhí)行過程質(zhì)量時可能需要額外的驗(yàn)證機(jī)制。

基準(zhǔn)構(gòu)建：101個任務(wù)的科學(xué)生成過程

LiveMCP-101的101個任務(wù)并非隨意選取，而是經(jīng)過嚴(yán)謹(jǐn)?shù)目茖W(xué)生成流程。研究團(tuán)隊首先從41個MCP服務(wù)器和260個工具中采樣多樣化應(yīng)用領(lǐng)域，然后使用OpenAI o3模型生成不同復(fù)雜度的查詢，這些查詢基于領(lǐng)域上下文和詳細(xì)的工具規(guī)范（名稱、描述和參數(shù)）。

不同難度級別的任務(wù)示例

為確保任務(wù)質(zhì)量，研究采用了多輪LLM重寫與人工審核的協(xié)同流程。這一過程保證了查詢的清晰度、難度平衡、可解性（使用提供的工具可解決）以及結(jié)果的客觀可驗(yàn)證性。最終任務(wù)被分為三個難度層級：簡單（30個）、中等（30個）和困難（41個）。

以Hard級別的NBA任務(wù)為例，智能體需要：

1. 識別球隊名稱（基于斯皮爾伯格科幻電影線索）

2. 查詢球隊詳細(xì)信息（聯(lián)盟、分區(qū)、成立年份等）

3. 確定主場場館位置

4. 計算12分鐘步行距離（假設(shè)5km/h）

5. 篩選預(yù)算內(nèi)的Airbnb（160/晚）

6. 整合所有信息生成專業(yè)報告

每個任務(wù)的工具池設(shè)計也極具挑戰(zhàn)性：研究團(tuán)隊為每任務(wù)構(gòu)建包含15個MCP服務(wù)器（76-125個工具）的工具池，其中包含任務(wù)必需工具和隨機(jī)采樣的額外MCP工具。這種設(shè)計模擬了真實(shí)環(huán)境中的干擾項，用于測試智能體在工具發(fā)現(xiàn)和選擇中的抗干擾能力。

核心發(fā)現(xiàn)：七大類錯誤模式深度解析

通過對執(zhí)行軌跡的細(xì)致分析，研究團(tuán)隊識別出三類主要錯誤及其七種子類型，為理解智能體失敗原因提供了系統(tǒng)框架。這些錯誤模式不僅僅是技術(shù)細(xì)節(jié)，更是揭示了智能體在真實(shí)場景中失敗的根本原因。

模型錯誤分類熱力圖

上圖的錯誤熱力圖清晰顯示，語義錯誤是主要瓶頸：即使是強(qiáng)模型也存在16-25%的語義錯誤率，而較弱模型（如GPT-4.1-mini）超過41.58%。這些錯誤往往源于中間推理的失誤，如錯誤的標(biāo)識符引用或不正確的上下文約束。

1. 忽略需求：智能體遺漏明確要求，沒有進(jìn)行相關(guān)工具調(diào)用或過早終止。例如，在Easy級別的Kubernetes任務(wù)中，智能體可能完全忽略"列出五個最新未解決的問題"的要求，直接提供通用建議。

2. 過度自信自解：智能體認(rèn)識到需求但嘗試僅依靠自身知識回答，而未調(diào)用必要工具。在Medium級別的數(shù)字藝術(shù)市場研究中，智能體可能直接編造YouTube視頻數(shù)據(jù)而非調(diào)用搜索工具。

3. 無效思考：智能體承認(rèn)需要工具但從未發(fā)起調(diào)用，陷入無生產(chǎn)力的循環(huán)思考。這在處理長上下文任務(wù)時尤為常見，智能體反復(fù)重寫計劃卻從不執(zhí)行。

4. 錯誤工具選擇：智能體調(diào)用工具但選擇了不適當(dāng)?shù)墓ぞ?，?dǎo)致錯誤的中間狀態(tài)或最終輸出。例如，使用天氣API查詢體育場館信息。

5. 語法錯誤：提供給工具的參數(shù)格式錯誤，如類型錯誤、字段缺失、無效schema。這些錯誤阻止MCP服務(wù)器正確解析請求。

6. 語義錯誤：參數(shù)格式正確但不符合任務(wù)意圖。這是最棘手的問題，例如查詢"最近的咖啡店"時，參數(shù)正確但范圍設(shè)置錯誤，導(dǎo)致返回了100英里外的咖啡店。

7. 輸出解析錯誤：工具返回正確結(jié)果，但智能體在解析過程中處理不當(dāng)，導(dǎo)致錯誤的中間狀態(tài)或最終答案。

讓我們深入分析NBA任務(wù)中的具體錯誤實(shí)例：

• GPT-4.1在NBA任務(wù)中的失敗軌跡：

1. 正確識別球隊為"Pacers"（源于《第三類接觸》）
2. 錯誤地查詢"Indiana basketball stadium"而非"Gainbridge Fieldhouse"，導(dǎo)致返回錯誤場館
3. 基于錯誤場館坐標(biāo)計算步行距離
4. 篩選出距離實(shí)際場館很遠(yuǎn)的Airbnb
5. 生成包含不準(zhǔn)確信息的報告

這一軌跡展示了典型的語義錯誤：工具調(diào)用本身格式正確，但參數(shù)選擇不符合任務(wù)意圖，導(dǎo)致整個任務(wù)失敗。以GPT-5為例，其23.76%的語義錯誤主要出現(xiàn)在需要精確空間計算和上下文約束的任務(wù)中。在NBA任務(wù)中，當(dāng)需要計算"12分鐘步行距離（假設(shè)5km/h）"時，GPT-5有時會錯誤地將步行速度轉(zhuǎn)換為每分鐘距離，導(dǎo)致計算出的半徑過大或過小，進(jìn)而篩選出不符合要求的住宿選項。

語法錯誤在前沿模型中可忽略不計，但在Llama-3.3-70B-Instruct中高達(dá)48.51%，這可能是因?yàn)镸CP采用激增發(fā)生在Llama-3發(fā)布之后，表明針對MCP函數(shù)調(diào)用schema的微調(diào)可大幅減少此類錯誤。

消融研究深度分析：關(guān)鍵參數(shù)的科學(xué)驗(yàn)證

為了深入理解影響智能體性能的關(guān)鍵因素，研究團(tuán)隊進(jìn)行了系統(tǒng)的消融實(shí)驗(yàn)，特別關(guān)注迭代輪次和MCP服務(wù)器數(shù)量的影響。

迭代輪次的科學(xué)依據(jù)

Figure 5a_迭代輪次對任務(wù)成功率的影響

上圖(a)顯示，將最大迭代限制從15輪增加到約25輪能持續(xù)提升任務(wù)成功率，超過25輪后收益遞減。這一閾值是通過測試GPT-5、Claude-4.1-Opus(ET)等六種代表性模型在15、20、25、30和50輪限制下的表現(xiàn)確定的。

特別值得注意的是，盡管最長驗(yàn)證執(zhí)行計劃僅需15步工具調(diào)用（平均5.4步），但將輪次限制從15增加到約25仍能帶來持續(xù)收益，這表明智能體即使在正確解決實(shí)例時也經(jīng)常在錯誤恢復(fù)或冗余思考上花費(fèi)額外輪次。上圖(b)進(jìn)一步顯示，相對TSR變化在約25輪后趨于平緩，表明額外輪次帶來的邊際效益顯著降低。

這一發(fā)現(xiàn)對實(shí)際系統(tǒng)設(shè)計具有重要指導(dǎo)意義：實(shí)際應(yīng)用中，建議根據(jù)目標(biāo)模型類型設(shè)置迭代預(yù)算。閉源模型可設(shè)為25輪左右，而開源模型可能需要更嚴(yán)格的輪次限制以避免冗余思考導(dǎo)致的性能下降。

MCP服務(wù)器數(shù)量的差異化影響

MCP服務(wù)器數(shù)量對模型性能的影響

上圖(c)和(d)揭示了一個關(guān)鍵發(fā)現(xiàn)：當(dāng)MCP服務(wù)器數(shù)量增加時，模型表現(xiàn)呈現(xiàn)顯著差異。頂級模型如GPT-5和Claude-4.1-Opus(ET)對工具池大小變化幾乎不敏感，而中等和較弱模型（如GPT-4.1、Gemini-2.5-Pro）在工具池擴(kuò)大時性能明顯下降。

這一現(xiàn)象表明頂級模型具備更強(qiáng)的工具篩選能力，能有效過濾干擾項，而其他模型則容易被無關(guān)工具分散注意力，導(dǎo)致規(guī)劃帶寬被稀釋。當(dāng)工具池擴(kuò)大時，較弱和中等水平的模型對此效應(yīng)更為敏感，隨著噪聲累積和規(guī)劃帶寬被稀釋，性能往往下降。相比之下，頂級系統(tǒng)(如GPT-5, Claude-4.1-Opus(ET))基本保持穩(wěn)定：更強(qiáng)的規(guī)劃和工具篩選能力減輕了干擾因素的影響。

這對實(shí)際部署具有重要啟示：在設(shè)計工具集成系統(tǒng)時，應(yīng)考慮目標(biāo)模型的能力。對于較弱模型，應(yīng)限制工具池大小并實(shí)現(xiàn)更嚴(yán)格的工具篩選機(jī)制；而對于頂級模型，可以提供更豐富的工具選擇以增強(qiáng)功能。

Token效率的深度洞察

LiveMCP-101的實(shí)驗(yàn)結(jié)果揭示了token效率的關(guān)鍵規(guī)律，這對實(shí)際部署中的成本控制至關(guān)重要。

TSR與token消耗、工具調(diào)用的關(guān)系

上圖展示了TSR(%)與平均token消耗的關(guān)系，其中彩色點(diǎn)代表平均工具調(diào)用次數(shù)。閉源模型的任務(wù)成功率隨token增加快速上升后趨于平穩(wěn)；而開源模型無法將額外token轉(zhuǎn)化為可靠證據(jù)，token效率低下。

讓我們深入解讀這一圖表：

• 閉源模型(如GPT-5、Claude-4.1-Opus(ET))：在小token預(yù)算下任務(wù)成功率迅速上升，然后趨于平穩(wěn)。直觀上，早期token驅(qū)動高價值行動—規(guī)劃、探測工具、檢查約束—產(chǎn)生大幅收益。但隨著預(yù)算增加，額外token大多增加冗余(更長的解釋、重復(fù)自我檢查)，而非新證據(jù)，回報遞減。
• Llama變體：集中在低token、低工具區(qū)域，未能充分利用工具功能，往往過早停止，導(dǎo)致低ARS和TSR。
• Qwen變體：走向另一極端，產(chǎn)生更長輸出和更多工具調(diào)用但收益有限，表明無法有效將額外token轉(zhuǎn)化為可靠證據(jù)。
• 擴(kuò)展思考(ET)變體：在相似token預(yù)算下持續(xù)提升效率前沿，表明規(guī)劃和錯誤恢復(fù)能力的提升優(yōu)于單純增加輸出長度。

這種token效率的對數(shù)曲線規(guī)律揭示了一個重要事實(shí)：增加token預(yù)算僅在一定范圍內(nèi)有效，規(guī)劃質(zhì)量才是關(guān)鍵驅(qū)動因素。這為實(shí)際部署提供了量化指導(dǎo)：對于閉源模型，過度增加token預(yù)算不會顯著提升性能；而對于開源模型，單純增加token可能無法解決問題，需要改進(jìn)模型架構(gòu)或訓(xùn)練方法。

對不同角色的實(shí)用指導(dǎo)

對AI研究人員

• 優(yōu)先關(guān)注ATS而非TSR：平均軌跡得分(ATS)與任務(wù)成功率(TSR)高度相關(guān)（見圖4a），更好的執(zhí)行過程通常產(chǎn)生更好的輸出。ATS評估工具選擇、參數(shù)化和后處理的可靠性，更能反映系統(tǒng)能力。
• 錯誤模式分析方法論：系統(tǒng)記錄智能體執(zhí)行軌跡，特別關(guān)注語義錯誤。例如，在NBA任務(wù)中，檢查場館坐標(biāo)獲取是否準(zhǔn)確、步行距離計算是否正確，這些往往是語義錯誤的高發(fā)區(qū)。
• 動態(tài)環(huán)境測試：避免僅在靜態(tài)數(shù)據(jù)上評估，應(yīng)模擬真實(shí)環(huán)境中API響應(yīng)隨時間變化的情況，這能更真實(shí)地反映智能體的魯棒性。

對系統(tǒng)開發(fā)者

• 25輪迭代預(yù)算的科學(xué)依據(jù)：消融研究表明，將最大迭代限制從15輪增加到約25輪能持續(xù)提升任務(wù)成功率，超過25輪后收益遞減。這一閾值是通過平衡錯誤恢復(fù)需求與冗余思考成本確定的。
• 工具篩選機(jī)制實(shí)現(xiàn)：實(shí)現(xiàn)兩級工具篩選——首先基于任務(wù)需求過濾無關(guān)工具類別，然后對剩余工具進(jìn)行語義相似度匹配。例如，在NBA任務(wù)中，優(yōu)先考慮地理位置、票務(wù)和住宿相關(guān)工具。
• 內(nèi)容接地技術(shù)路線：針對語義錯誤這一主要瓶頸，實(shí)施中間結(jié)果驗(yàn)證機(jī)制。例如，在計算步行距離后，添加驗(yàn)證步驟確認(rèn)結(jié)果在合理范圍內(nèi)（1km半徑內(nèi)）。

對工具集成工程師

• 參數(shù)語義檢查機(jī)制：在工具調(diào)用前添加驗(yàn)證層，例如檢查坐標(biāo)參數(shù)是否在合理地理范圍內(nèi)，價格參數(shù)是否符合貨幣格式。對于NBA任務(wù)中的步行距離計算，可驗(yàn)證輸入速度是否在合理人類步行范圍內(nèi)（3-6km/h）。
• 中間結(jié)果處理規(guī)范：建立統(tǒng)一的數(shù)據(jù)處理流程，例如將所有距離單位標(biāo)準(zhǔn)化為公里，所有價格轉(zhuǎn)換為統(tǒng)一貨幣。這能避免因單位不一致導(dǎo)致的輸出解析錯誤。
• 優(yōu)化工具描述模板：工具描述應(yīng)包含明確的輸入格式、單位要求和有效值范圍。例如，步行距離計算工具應(yīng)明確說明："速度參數(shù)單位：km/h；有效范圍：3-6 km/h；輸出單位：公里"。

資源與未來方向

研究團(tuán)隊宣布將發(fā)布LiveMCP-101基準(zhǔn)（暫未開源），包含101個任務(wù)、執(zhí)行計劃和評估框架，為社區(qū)提供可復(fù)現(xiàn)的評估標(biāo)準(zhǔn)。該基準(zhǔn)的雙軌評估方法具有可擴(kuò)展性，適用于其他動態(tài)環(huán)境評估；三難度層級設(shè)計也可擴(kuò)展至更復(fù)雜任務(wù)。

未來研究與發(fā)展方向：

• 語義錯誤專項優(yōu)化：加強(qiáng)內(nèi)容接地和約束執(zhí)行，例如在NBA任務(wù)中，實(shí)施場館坐標(biāo)交叉驗(yàn)證機(jī)制
• MCP特定訓(xùn)練：針對Llama等開源模型，增加MCP函數(shù)調(diào)用schema的微調(diào)數(shù)據(jù)
• 工具調(diào)用效率提升：減少冗余調(diào)用，例如通過工具調(diào)用歷史分析避免重復(fù)查詢
• 長期穩(wěn)定性評估：超越單次任務(wù)成功率，評估智能體在連續(xù)多日任務(wù)中的表現(xiàn)穩(wěn)定性

總結(jié)：重新認(rèn)識AI智能體的能力邊界

LiveMCP-101不只是一個評估基準(zhǔn)，更是一種新的評估范式，從靜態(tài)結(jié)果驗(yàn)證轉(zhuǎn)向動態(tài)過程評估。其雙軌框架、執(zhí)行計劃評估和三難度設(shè)計共同解決了真實(shí)環(huán)境中AI智能體評估的根本挑戰(zhàn)。

60%以下的成功率揭示了一個重要現(xiàn)實(shí)：AI智能體距離真正自主執(zhí)行復(fù)雜任務(wù)仍有顯著距離。但這一發(fā)現(xiàn)的價值不僅在于揭示局限，更在于指明了突破方向。想想文章本文開頭那個9歲孩子期待看到xx 團(tuán)演出的眼神，就會明白為什么語義錯誤率從25%降到15%如此重要——這不僅關(guān)乎技術(shù)指標(biāo)，更關(guān)乎AI能否真正理解并滿足人類需求。

評估即進(jìn)步。通過系統(tǒng)化錯誤分析，LiveMCP-101不僅揭示了能力邊界，更為突破這些邊界提供了明確路徑。語義錯誤作為主要瓶頸的發(fā)現(xiàn)，token效率的對數(shù)曲線規(guī)律，以及25輪左右的最佳迭代限制，都為構(gòu)建更可靠的AI智能體系統(tǒng)提供了科學(xué)依據(jù)。

當(dāng)行業(yè)從追求"看起來很智能"轉(zhuǎn)向"真正可靠執(zhí)行"時，像LiveMCP-101這樣的嚴(yán)格評估將成為推動技術(shù)實(shí)質(zhì)性進(jìn)步的關(guān)鍵力量。只有直面真實(shí)世界中的挑戰(zhàn)，AI智能體才能從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用。