Anthropic工程师揭秘：长时AI智能体现在3-5小时就能全自动生成完整可用App

📌 内容来源: https://www.youtube.com/watch?v=mR-WAvEPRwE

⚡ 开篇先看 核心要点： 现在AI花3-5小时，就能跑出一个完整可用的全功能应用长时运行AI智能体经过一年迭代，连续稳定运行能力提升了12倍 多角色分工开发，成功率远高于单个智能体循环迭代 自我评估是AI开发的最大陷阱，独立对抗性评估器才是正确解法

在近期的全球AI工程师大会首场分享上，Anthropic应用AI团队的工程师公开了过去一年研发长时AI智能体的落地经验——不光拆解了行业公开Demo未披露的智能体外层脚手架实现细节，还把踩过的坑、验证过的可行方案全部公开。所谓长时AI智能体，就是能连续运行几小时甚至数天，自动完成复杂长任务的AI系统，最典型的应用就是全自动写代码开发应用。

过去很多人觉得，AI做开发只要堆模型能力、放大上下文窗口就够了。但Anthropic这一年的实践证明：AI智能体的能力，从来都是模型和外层框架共同成长出来的，把任务分给不同角色的AI，比让一个AI干所有事，效果好出好几个量级。

❓ 长时AI做开发，到底难在哪

长任务开发不是把上下文窗口放大就能解决，一共存在三个绕不开的核心问题。

本次讨论的长时运行智能体，指能连续跑5-6小时以上、甚至数天的AI智能体。Anthropic工程师总结，核心问题共分三类：

第一是上下文问题。除了大家熟知的上下文窗口（大模型一次能处理的文本总量上限，超过就会丢失最早的输入信息）大小限制，还有两个经常被忽略的问题：一个是上下文衰减，也叫上下文腐烂，会话越长，模型对早期内容的理解越差，越容易出错；另一个是上下文焦虑，模型感知到快接近窗口上限了，就会下意识仓促收尾，提前结束任务，哪怕功能还没做完。

第二是规划问题。原生大模型天生不擅长做长任务拆解，很容易走着走着就偏离原始需求。

第三是输出判断问题。大模型经常把半完成的功能，误判成已经开发完成，自己查错根本查不出来。

🔄 能力提升12倍的秘密：模型和脚手架共同进化

不要觉得模型越来越强，外层脚手架就会消失，脚手架会永远存在，只会跟着模型能力一起迭代。

先解释：这里说的脚手架，就是包裹在大模型外面，给大模型补充记忆、循环、工具调用、状态管理这些额外能力的外围框架代码，是长时智能体能稳定运行的核心基础。

Anthropic过去一年的迭代路线非常清晰：模型能力升级的同时，一定会同步更新脚手架。发现模型有能力缺口，先用脚手架补上，再用脚手架跑出来的真实数据优化模型，循环往复共同进化。

这个路线带来的提升非常明显：同样达到50%任务完成率，一年前的Opus 3.7只能连续稳定运行1小时，现在的Opus 4.6已经能跑12小时，整整提升了12倍。

最早的Claude Code，连写bash命令、处理字符串转义都经常出错，最多只能稳定跑20分钟；现在Claude Code本身的大部分代码，都是Claude Code自己写的，已经能稳定连续运行数天。

到今天，Anthropic的长时智能体已经能做到：接下用户需求后，3-5小时就能产出一个完整可开箱运行的全功能应用。

🤝 单智能体干过多智能体团队？这套分工逻辑直接抄

把长任务拆成不同角色交给不同AI，模拟人类开发团队的分工，比让一个AI干完全部活，成功率高太多。

过去主流的单智能体循环开发，有个绕不开的问题：如果生成的内容不达标，AI只会在原来的基础上不停打补丁，越改越乱，错的地方一直改不对。

Anthropic验证有效的方案，是直接把开发拆成三个角色，每个角色分配独立的上下文窗口，完全模拟人类开发团队的结构：

• 规划师对应产品经理：只负责把用户的模糊需求拆成高层级的迭代任务，不需要提前抠细粒度的技术细节，避免早期的错误决策在后续迭代中不断放大。

• 生成器对应开发工程师：负责写代码实现功能。

• 评估器对应测试QA：负责检查功能是否达标。

这套方案的核心创新，比之前流行的Ralph Loop多了关键一步：生成器和评估器会在写代码之前，先协商出明确的「完成标准」，写成可测试的验收契约，评估器只按契约验收，不是按规划师的模糊需求验收。

有个非常直观的对比测试：同一个提示词「做一个复古游戏制作工具」、同一个模型，两种方案跑出来的结果天差地别：

• 单智能体循环：UI看着没问题，精灵编辑器勉强能用，但核心的游戏播放模式完全用不了，按什么键都没反应。

• 多角色分工框架：总共花了6小时，自动做出了完整产品Retro Forge，不仅有新建项目对话框、完整的54色8位调色板，还自动加了AI精灵生成助手，核心的播放模式完全正常：物理循环、方向键控制角色、碰撞检测全部能用。整个开发拆了27条细粒度的验收契约，所有问题都能定位修复。

Anthropic工程师验证了一个反直觉但非常实用的结论：调优一个独立的评估器做严厉挑错，比让生成器自己做自我批评容易太多。就像普通人都能看出一幅画画得好不好，但是让你自己画一幅好的就难多了，这个能力差可以直接被工程化利用。自我评估本身就是AI开发的陷阱，必须用独立的对抗性评估器。

⚔️ 最新进展：评估器真的会点开网页测试BUG

Anthropic最新实验的生成-评估对抗模式，让评估器真的运行代码测试，比只读代码查错的漏网率低太多。

现在Anthropic工程师正在测试的最新方案，借鉴了生成对抗网络（GAN）（经典AI架构，把模型拆成生成内容和判断内容好坏两个部分）的思路，把生成和评估彻底分开：生成器只管搭功能写代码，评估器专门负责挑错打分。

和之前只检查代码改动不同，这个方案里的评估器，会真的用自动化工具打开运行中的页面，点击测试所有功能，再把问题反馈给生成器，循环迭代优化。

评估会从四个维度打分：设计、原创性、工艺、功能，目前权重会偏向设计和原创性，刚好能解决大家吐槽的AI生成界面千篇一律的问题。

工程师们还发现了一个超出预期的好现象：最新的4.6版本模型，非常愿意丢弃之前所有的工作重新开始，不会出现评估器放过问题、生成器固守错误成果的情况。这个行为其实和人类程序员一模一样：写乱了的代码，删掉重写比打补丁干净多了，刚好解决了单智能体循环攒烂补丁的问题。

这个模式不是和多代理团队架构冲突的，它本身就是多代理架构的一个子集，可以嵌入到任何复杂工作流的每个环节里，任何细分任务都可以配一个专属的评估代理。

💡 核心金句

• 在不确定的世界里，做确定的失败，比不确定的成功更好。

• 批评一幅画比画一幅画容易多了，大模型也是一样。

• 长时智能体的能力提升，是模型和外层脚手架共同进化的结果，脚手架不会消失，只会跟着模型迭代。

• 自我评估是AI开发的陷阱，一定要用独立的对抗性评估器。

• AI的技术前沿不会缩小，只会不断移动。

• 看起来做完了，不代表真的能用。

• 开发AI代理最核心的能力，是学会站在大模型的角度换位思考，找对问题再调整。

• 我们不做靠人工擦屁股的AI，目标就是做全自主运行的开发代理。