# 任务翻一倍，失败翻两番

人人都想要能干满 8 小时一整天的 agent。可数学不答应。2026 年一篇新论文表明：把任务长度翻倍，失败率不是翻倍——而是大约翻两番，因为每一步那点微小的误差会不断复利叠加。每步 2% 的偏差，在 20 步里就变成 33% 的概率把整个任务搞砸。长时程自主并不是在等一个更聪明的模型。它是个架构问题：拆解、设检查点、验证。

- **Author:** Fedor Chishchin
- **Published:** 2026-07-01
- **Tags:** agents, architecture
- **Source:** https://fedorthinks.com/zh/blog/doubling-the-task-quadruples-the-failure

---

整整一年被推销的那个梦想，是能替你干满一整天的 agent——你早上 9 点交给它一个目标，它埋头干八个小时，
你回来就能拿到一份完成的活儿。Sequoia 甚至给它定了个日期：可靠的 8 小时工作日 agent「到 2026 年底」。
我也很想要这个。但数学对此有意见。

## 复利之墙

一个由许多步骤组成的任务，只有在 _每一_ 步都成功时才会成功。这是乘积，不是求和。所以误差不是相加——
是相乘。[2026 年的一篇论文《The Long-Horizon Task Mirage》](https://arxiv.org/pdf/2604.11978)
给出了数字：**把任务长度翻倍，会让失败率大约翻两番**，而不是翻一倍。区区 **每步 2% 的误差，在仅仅
20 个相互依赖的步骤里，就变成 33% 的概率把整个任务搞砸**。

在十个模型和四档长度上测量，整体 pass@1 从**短任务的 76.3% 跌到超长任务的 52.1%**——24 个百分点的
超线性下滑。而且问题不只是每步的误差：[在 25–30 次工具调用之后，即便是 200K token 的上下文窗口也会跟丢线索](https://labs.adaline.ai/p/long-horizon-ai-agents-planning-ceiling)
——模型忘掉早先的结果，把已经做完的步骤又重做一遍。

> 可靠性不是模型的属性。它是「在没有检查点的情况下，有多少件事必须接连做对」这件事的属性。

## 为什么更好的模型救不了你

这就是「只要等下一个模型」里的陷阱。把每步误差从 2% 压到 1%，在 20 步里，你还是会有约 18% 的概率失败。
把误差率减半并不能把痛苦减半，因为它在跟一个指数搏斗。在可预见的将来，没有哪个模型好到能让一条天真的
100 步链条变得可靠。曲线赢。

## 解决办法是架构，不是耐心

那 25% 的 agent 真正跑到生产环境的团队，并不是在跑更长的链条。他们跑的是 _更短_ 的链条，外面裹着结构：

- **拆解。**把八小时的活儿拆成短的、能独立检查的任务。十个 10 步任务组成的链条、每个之间夹一个检查点，
  比一次跑 100 步要强——强得多。
- **设检查点。**在步骤之间保存已验证的状态，让一次失败只损失一个任务，而不是一整天。别让第 90 步依赖于
  模型是否还记得第 3 步。
- **先验证，再继续。**在每一阶段设一道便宜的检查——确定性的结果、第二个模型、一个 schema——在下一阶段
  建立在它之上之前。在那 2% 复利叠加之前就抓住它。
- **保持窗口干净。**更多回合并不等于更多思考。过了约 30 次工具调用，context rot 就开始了；一个新鲜、
  聚焦的上下文，胜过一个塞满 90 步历史的臃肿上下文。

这是我从不同方向反复得出的同一个教训：
[一个什么都做的 agent，什么都做不好](/zh/blog/one-agent-that-does-everything)，还有
[编排才是真正的架构](/zh/blog/orchestration-is-the-architecture)。长时程的可靠性，就是拿着秒表的编排。

## 结论

任务翻一倍，失败翻两番——这不是模型的缺陷，是算术。全天候的自主 agent 之所以到来，不是因为某个实验室
发布了更聪明的大脑；而是因为你不再要求一个大脑把 100 件事接连做对。

**别去造一条更长的链。造一条更短的，在每一个环节都检查过。**