技术热点透视20261023：主动性也是有额度的
原创 · 约 23 分钟阅读 · 阅读 --

技术热点透视20261023：主动性也是有额度的

作者: Alex Xiang

人工智能工程实践

本文完全由 WorkBuddy 独立收集资料、调试代码并完成文章写作。

扫码注册 WorkBuddy 即可获取 2000 积分

我是 Alex Xiang，前百度/微博工程师，现在专注于 AI 工程与工具产品。更多文章欢迎关注微信公众号「字与码」。

10 月 21 日（美国时间），Anthropic 发布 Claude Duet。研究预览，美国 Pro 与 Max 用户走候补名单，Team 与 Enterprise 不在这一轮。这是个会自己来找你的 agent。它有独立的 App，也有一台自己的云电脑，你不理它的时候它还在跑。

最反常识的细节不在能力清单里。官方在文中专门写了一笔计费说明：它每隔几小时才检查一次已连接的账户，因为不间断地检查会让套餐额度消耗得快得多。

所以“主动”这件事，一出生就被限额了。

今天还发生了这几件事

  • 编码 agent 排行榜换了一版主考卷，判分标准改成维护者愿不愿意合这个 PR，全场分数集体下滑，Claude Code 配 Opus 5.5 以 61.7 分登顶，每任务 11.42 美元。
  • GPT-5.6 Sol 挖出 PHP 两个可未认证远程执行的高危漏洞，CVSS v4.0 给 9.2，PHP 官方 10 月 21 日发了四个安全更新。
  • Google 发布 Agent Compute Engine，给每个 agent 一台硬件隔离的 microVM，官方称 20 万个 agent 的测试里暂停与恢复都在 500 毫秒以内。

它交出的是一整间办公室的钥匙

独立 App 分 iOS 与 Android，另有 claude.ai 网页端，与主 Claude App 分离。形态是一个持续不断的对话串，文字或语音输入，语音目前只是转文字。模型是 Claude Opus 5.5。

它跑在带自己浏览器的云端虚拟机里。关掉笔记本或手机，任务继续跑，完成或需要复核时推一条通知。

上下文直接继承：你 Claude 账号里已有的记忆、Skills、已连接应用，它一上手就有，设置几乎为零。

连接层是 Claude Marketplace 里超过 6,000 个连接器与插件。官方点名的场景很具体：在 QuickBooks 或 Stripe 里查未付账单并起草催款；在 Gusto 里准备并执行发薪，工时、奖金、报销都填好；用 Docusign 准备合同送签；搭建、设计并管理 Shopify 店铺。即将支持用 1Password 里保存的登录信息登录网站。

主动性的节拍被计费表决定

巡检节拍是中枢：每天早上发一份简报，白天每隔几小时看一次已连接账户，只在有事需要你决定时才发消息。你可以指定想听什么、多久听一次。后台巡检计入同一份套餐额度。预览期内不额外收费，与 Claude 其他功能共用 Pro 与 Max 额度，Pro 每月 20 美元或每年 200 美元，Max 起价每月 100 美元。

它卖的不是更强的模型，是你账号里已经攒下的那些东西：记忆、Skills、连接、历史偏好。

一句计费说明，泄露了整件事的性质

那句“每隔几小时”，是整篇产品文里信息量最大的一行。它没说连续检查更准，它说的是连续检查更贵。

推论很直接：主动性的频率不是产品设计参数，是成本参数。用户能感知到的“它懂我”，实际约等于“它多久看我一次”。

再推一步：主动 agent 的第一版体验注定是抽样的。它看到的是你每三小时的一张快照，而它承诺的是不间断照看。两次巡检之间到来的消息，官方自己承认会漏。

这是“主动性”这个词第一次被明码标价。

主动性真正的货币是注意力，而误报会复利

被动的聊天机器人出错，成本是一次对话，重开就行。主动的 agent 出错，成本是你唯一不可再生的资源：注意力。而且它顺手把额度也烧了。一次没用的提醒，同时消耗你的注意力和你的配额。

一个每天主动找你五次、其中两次没用的 agent，两周内你会关掉通知。关掉通知，它立刻退化成一个在后台跑但你不知道的聊天框。这比被动产品更糟，因为你付了钱、给了权限，还以为它在干活。

所以主动 agent 的失败曲线比聊天机器人陡得多。而官方没有任何独立数据说明它“判断什么该提醒你”的准确率，只说还在测、还在调。这是全篇最该被追问的一个洞。

审批门挡得住动作，挡不住判断

门的位置很清楚：发消息、付款、签文件、删除，四类动作之前，它把要做的事原样给你看，等你批准。

但 agent 出错的地方在动作之前。官方自己写的两条：可能误读一段对话，可能错判什么算紧急。等你看到审批提示，你看到的是它打算做什么，看不到它为什么这么判断，也看不到它读错了哪一段。

审批门在最后，错误发生在最前面

更麻烦的是继承。它一上手就握着你全部的记忆与 Skills，一次误读会顺着写进它起草的邮件、更新的表、做进 dashboard 的数字。冷启动为零是优点，也是错误的复用半径。

审批门把权力留给了人，把判断留给了模型。这个分工在“起草”这一层是对的，在“已经写完、只等你按一下”这一层是危险的，因为你已经没有审稿的信息了。

还有一条硬线：买卖证券、在账户之间转账，即使你批准也不做。这比任何提示词层安全都硬，因为它是产品能力的边界。

代理支付，本质是发卡问题

支付走 Stripe 的数字钱包 Link，或者 Shopify 的 Shop Pay。确认商品后由钱包端让你批准这笔支出，再用虚拟卡付款，真实卡号不外流。部分网站会直接拒绝 Duet 结账。

把“agent 能不能花钱”变成发卡与额度问题，是这一年最聪明的工程决定之一。风控的对象从“是不是你本人”变成“这个 agent 的这一笔额度是多少”。后者可以量化、可以撤销、可以设上限，前者不能。

沃尔玛本周允许 Muse 这类代理替顾客购物，设了消费限额与审批规则；亚马逊继续封锁外部代理。同一件事两种态度，回答的是同一个问题：谁给 agent 授信。

为什么它挑工作场景，不碰你的生活

官方明说：核心功能围绕工作构建，所以买票这类个人琐事做得不够好。多数人读成“还没做完”。我的判断正好相反：只有工作场景做得成。

理由是工作场景有免费裁判。QuickBooks 里有没有这笔未付款，能查；发薪工时对不对，能对；合同送签有没有回执，能看；代码改完测试跑不跑得过，能跑。生活场景没有这些东西：这张机票买得划不划算、这封邮件写得好不好、这个会该不该改期，都没有测试套件。

于是有了这句推论：自主度的上限，由这个领域里一次错误要多久才能被发现决定。验证器越便宜、越快、越自动，agent 越可以放开手；验证器越贵、越慢、越依赖人，它就只能停在“起草”这一步。审批门不是安全策略，是验证成本的外化。

免费裁判决定自主度的上限

这也解释了编码 agent 为什么跑得最野。它是唯一一个自带编译器和测试的行业。写代码的人这几年的体感，agent 敢自己改十个文件，不是模型更聪明，是这个行业的验证器最便宜。

反过来，这里有一个可操作的判据。想把某个流程交给主动 agent，先问两件事：它错了以后多久能发现，发现要靠谁。答案如果是“三天后客户投诉”，那就先别交。

三家在同一个路口分了岔

三家用的都是自家最强模型，所以模型能力不是分水岭。分水岭是入口与权限设计。

产品发布模型主打场景连接规模价格关键设计
Meta Muse9 月 8 日未公开日常事务、购物、旅行、长期目标—大部分功能免费应用或 WhatsApp 入口，分发优先
OpenAI Dots9 月 29 日GPT-6 Astra专业工作：研究、构建应用、跨会话推进4,000 多个应用个人 Pro 每月 100 美元每个 agent 一台独立云电脑
Claude Duet10 月 21 日Claude Opus 5.5工作与后台经营事务超过 6,000 个连接器与插件不单独收费，含在 Pro 20 / Max 100 美元套餐内巡检节拍加四类动作审批门

Muse 赢在分发与留存：头 40 天美国下载 1,020 万，7 日留存 30%，10 月把全部广告支出的 39% 投给它。Dots 押专业，每月 100 美元。Duet 押小老板，20 美元起，审批门切得最细。

还有一条：xAI 的 Grok Bot 会按任务调用合适的后端模型，其中包括 Claude Opus 5.5。连竞品都可能跑在 Anthropic 的模型上，说明模型层与产品层已经缠在一起。

这场战争的变量不是谁更聪明，是谁有资格把通知推到你手机的第一屏。而通知位是有限的，且比模型难抢得多。

给要落地的人三条

一、把权限拆成动作清单，不要拆成角色。“财务权限”这种粒度没法审，“读 QuickBooks / 起草催款 / 发送催款”这种粒度才能审。Duet 的四类动作门就是这个思路的极简版。

二、给每个动作配一个可验证的回执。有回执的动作可以放开，没回执的动作只能起草。这比写多少提示词都有效，因为它把“信任”换成了“对账”。

三、把巡检频率当 SLA 设计。主动性的成本约等于巡检次数乘上单次巡检的 token 数。既要它每小时看一遍，又要它便宜，这两件事不共存。

三盆冷水

一、没有准确率。官方没有任何独立数据说明它“该不该提醒你”的准确率。最好评的第三方评测也只留了一句“推过来的建议是他真想要的”，那是主观感受，不是指标。

二、主动性是可变成本。后台巡检计入同一份额度，于是越主动越贵，越贵用户越会把巡检频率调低，调低之后它又变回一个普通的定时任务。

三、最该被看见的一段看不见。它现在还不能向用户展示浏览器里的操作过程。也就是说，唯一能让人判断“它有没有走错路”的那一段，恰好是黑箱。

其他动态

编码 agent 排行榜 v2.0（10 月 23 日）。Artificial Analysis 把主考卷换成 Cognition 的 FrontierCode v1.1，100 个任务取自真实开源仓库，判分标准是维护者会不会合这个改动；另两项是 Terminal-Bench 4.0 与重写过的 SWE-Atlas-QnA-AA，合计 290 个任务、三项等权。21 个在两个版本都测过的配置，均分从 54.8 掉到 47.4，20 个下滑；24 个配置里有 15 个挤在 43% 到 49% 之间。成本前沿另一端是 DeepSeek V4.1 Flash，47.3 分、每任务 0.39 美元，而榜首的 Opus 5.5 是 61.7 分、11.42 美元。把“愿不愿意合”当判据，等于把品味写进分数，这是评测第一次承认自己的终点是人的判断。

PHP2Shell（10 月 21 日披露）。OpenAI 的“Patch the Planet”计划里，GPT-5.6 Sol 在 PHP 里找出两个未经认证即可远程执行代码的漏洞，CVSS v4.0 评 9.2，Wiz 也独立发现了同一个问题。影响 PHP 5.4 到 8.5；PHP 官方当天发布 8.5.12 等四个安全更新；披露前一天消息已泄露，CISA、NSA 等发了紧急警告，维基媒体与多款日本游戏临时停服。这次不是“AI 会找漏洞”，是找漏洞的边际成本第一次接近零，防守方的补丁窗口会跟着一起被压缩。

Google Agent Compute Engine（10 月 22 日）。给每个 agent 一台硬件隔离的 microVM，独立客户内核与 root 权限，边界靠 Cloud Hypervisor，沙箱里不存凭据；空闲自动挂起释放资源，需要时恢复文件与内存状态，官方说 20 万个 agent 的测试里暂停与恢复都在 500 毫秒以内。它最初用来支撑 Gemini、Gemini 平台、Antigravity 以及内部的模型评估与强化学习。这是把“agent 的电脑”当成一种可调度的商品在卖。

参考资料

打开原图 ↗