推文

@fireandstart · 2026-10-12 06:21

这组数字提醒我，AI 产品从“能跑出一个惊艳原型”到“普通人愿意持续依赖”，中间隔着的不是一层 UI，而是一整套可靠性工程。原型只需 1–2 周，后面 7 个月逐项追踪 100 多种代理行为、为每项设评估与上线门槛，直到 Muse Spark 1.3 才全数达标。关键不只是 Meta 花了多久，而是他们把“偶尔成功”拆成可观察、可回归、能阻止发布的具体标准。 OpenClaw 的例子也说明了另一面：能力展示能制造第一次惊喜，但错误一再出现，用户不会永远把它记作“还有潜力”，而是直接放弃。对代理产品来说，可靠性不只是模型分数或后端指标；它体现在任务中断后能否恢复、边界情况是否可预期、失败时能否给出可执行的下一步。 我也想知道，100 项行为清单到了数百万真实用户手里会如何变化：哪些问题可以提前覆盖，哪些只能从线上失败中发现？规模化后，评估标准本身也必须持续更新。真正难的或许不是把清单写长，而是建立机制，让新问题及时进入评估，让修复结果再次经过验证。

曝光 152 · 评论 0 · 点赞 1 · 书签 0 · 曝光/时 74.85085534584488