蚂蚁灵光2.0等个人智能体迎三关跨轮次测试 验证长期记忆与任务闭环能力

近期，蚂蚁灵光2.0开启小范围测试，定位升级为具备长期记忆与主动推进任务能力的个人智能体；腾讯LightVela、阿里千问Go！、字节豆包Spell及Meta Muse等产品也密集上线，均突出“跨轮次”“跨工具”“主动执行”特性。但缺乏统一评测标准导致用户难以判断其真实水平。一线实践者提出三关跨轮次验收法：第一关测试长线记忆与规则锁死——隔日下达指令不重申格式，检验是否自动调用历史规则；第二关考察突发状况响应——插入航班延误等变量，要求不漏客户并标注退改签信息；第三关检验跨工具调用闭环——如将行程变动提炼后通过钉钉发群或生成微信待办卡，暴露自动化断裂点。该方法直指当前Agent普遍存在的记忆脆弱、状态失联与执行断链问题。学术界同步推进严谨评测，Anthropic发布Agent4Sci框架，覆盖11个科学领域、20个基准与25项任务，采用爬坡-评估-审计三阶段隔离协议，从497篇候选中仅筛选出10个合格基准。实验显示，Claude Opus 4.6等前沿模型平均提升10.4%，但提升主要来自工程优化与插件集成；添加三项技能后平均改进达20.1%，印证工具链对能力释放的关键作用。数据进一步表明，Opus+Skills在24项指标中17项优于基线，而Codex在部分MAE/RMSE指标上出现负波动，反映能力分布不均衡。两类路径共同指向结论：AI Agent能力边界由记忆持久性、状态一致性、工具可靠性与异常鲁棒性构成系统工程。目前灵光2.0计划2026年10月全面开放，Muse验证云端VM可行性，LightVela单任务成本降22.3%，但所有进展仍需经真实工作流检验——唯有能复用昨日格式、自动处理变更并同步更新多平台消息的Agent，才算真正迈入“管事助理”门槛。