把长任务交给 Agent 之前，先把验证门搭起来
先验，再放手
今年四月底，OpenAI 的 Codex 加了个 /goal 命令，十来天后 Claude Code 跟上，周一， xAI 的 Grok 也上了同一个东西[1]。你给 AI 一个目标，它自己规划、拆任务、一路往下跑到完成才停，网上已经有人晒无人值守跑十几个小时的记录。METR 这家机构做了个指标叫"时间地平线"：拿一件活，让人类专家做要花多久，再看 AI 能不能独立做完。GPT-2 那会儿是 2 秒，Claude 3.7 涨到 50 分钟，o3 差不多 2 小时，最新的 Opus 到了 12 小时上下，差不多每 7 个月翻一倍[2]。但有个细节，被各个媒体刻意忽略了没提：这个 12 小时，是 50% 成功率下的 12 小时。说白了，跑这么长时间的任务，对一半、错一半。能跑多久的时间一直在涨，至于跑得对不对，是另一回事。所以说，比"它能不能跑"更要紧的一个问题是：它说跑完了，你拿什么去信。前几个月AI圈里最热的词是Harness Engineering（套在大模型外面那层壳，让它能循环干活、能记事、出错能兜住）。流行的说法是：模型已经是大路货，外面那层壳才是护城河。当时 OpenClaw 的崩溃和稳定性正是个大问题。日常刷小红书、抖音上看到有人传，用钱老的《工程控制论》去调，据说效果很好。我也下了文件来看——可这种天阶功法，对我们这种小虾米就是天书。我定好目标，让它自己完成开发任务。它前后跑了一两个小时，跟我说开发完成了（搞了个维wen的定时任务系统），我就上线 OpenClaw 测试。第二天一看，不对：任务本身就有好几个报错，之后再没动静，Token 消耗还逆天（光这一摊，一天烧掉两百六十多万）。还有就是，每次像做网站、做 APP，都干到1/3就停工（感觉不是我想要的，或者说是跑偏了，没有初心）。当时我还天真地以为是自己不熟悉Harness Engineering，马鞍没搭好。最近才琢磨过味来：一个稳定的系统，根本不是外表看起来那么简单。哪怕是谷歌，一个搜索框背后也是无数工程师在支撑。一直说"我知道自己要做什么"。可回头看，那不叫目标，叫愿望。"做个小程序""做一个定时任务跑起来"——这都不是目标。真正的目标，得是一整套说清楚的东西：做一个什么类型的小程序，要哪些功能，做到什么效果，怎么样才算做成了。少了最后这一句，它就不是目标。OpenAI 那份讲 Codex 长任务的白皮书里，有个对比说得很准[3]：弱目标是"照这个文档把功能实现了"；强目标是"把这个库迁移过去、保持接口兼容，拿它原来的单元测试当验收标准——跑过同一批测试、并说明差异，才算可以交"。我当初喂给 AI 的，全是前一种。没有"怎么算做成"这把尺，它跑得再久，我也没法量。更不要说还没解决的AI幻觉问题了：让它按我自己写的 skill 写文章，写出来一看不对，一问，它直接摊牌：自己随便写的，压根没按 skill 来。看来还得要个监工才行，不能老是让自己人肉确认，毕竟自己也是半桶水。于是我先让 AI 把目标和验收机制都写出来。然后开两个对话：一个只管开发，一个只管验收，上下文隔开。干活那个，没法自己给自己盖章说"做完了"；验收那个，拿着写好的标准一条条对。它偷不了懒、糊弄不过去；我自己不懂技术细节也不至于抓瞎——细节交给 AI 处理，验收这道门替我守着。就一个小功能（我自己觉得），路上整了十几道质量关卡。不是刻意拦路。而是我觉得，开发阶段 1% 的疏忽，到项目后期，就是时间和精力上的一个巨大浪费（千里之堤毁于蚁穴）。能在一开始就把这些问题摁住才要紧，而不是去纠结门多不多、烦不烦。而且真正难的，从来不是定目标。大方向谁都好定，难的是目标背后那些规则和条件，所有的细节，全是恶心人的问题。没有一道道门把着，说不定哪天就炸雷。尝试性的、拿来验证想法的，尽管让 AI 去跑，跑挂了也无所谓（反而希望问题多一些，幻觉多一些，能更好帮自己找到思路、验证想法）；但要稳定、有风险的东西，还是得自己来，AI 打辅助。所以再看这些把"验证"做进产品的功能——/goal 把"跑完"重新定义成"跑完并且验过"，那个安全项目让 AI 去挖漏洞、但每条都得人确认了才放出去[4]——我一点不意外。METR 那个数字还会接着涨，AI 能自己跑的活只会越来越长。可越是这样，"它说做完了、你拿什么验"这道门，越省不掉。所以这一次，没想清楚拿什么验它之前，我不会再把长活整个交出去。[1]: OpenAI Codex CLI v0.128.0 首发 /goal，2026-04-30，<https://developers.openai.com/codex/changelog>；Anthropic Claude Code v2.1.139 跟进 /goal，每轮以一个独立模型核验完成条件，2026-05-11，<https://code.claude.com/docs/en/goal>；xAI，《Introducing /goal》，2026-06-22，<https://x.ai/news/introducing-goal>。[2]: METR，《Measuring AI Ability to Complete Long Tasks》，2025-03-19，<https://metr.org/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks/>；并见《Task-Completion Time Horizons of Frontier AI Models》，<https://metr.org/time-horizons/>；arXiv:2503.14499[3]: OpenAI / Jason Liu，《Codex-maxxing for long-running work》（白皮书），2026-06-22，<https://openai.com/index/codex-maxxing-long-running-work>[4]: OpenAI，《Patch the Planet: a Daybreak initiative to support open source maintainers》，2026-06-22，<https://openai.com/index/patch-the-planet/>
