2027 上半年智能体方向判断：可能出现大动作的研究与产品主题

先读半页版：2027 H1 Agent 方向半页摘要。本文件保留完整证据、方向地图和专项底稿索引。

本文是趋势判断，不是技术路线图，也不是对单篇论文结果的确认。我们主要看了四类公开信息：论文和预印本，公司的产品发布和官方说明，开源项目与公开测试，以及团队对 DSH/Cordis 和商业编码智能体的专项调研。对每个方向，我们都问四个问题：现在已经能做什么？真实使用时会卡在哪里？有没有人在解决这个问题？明年上半年有没有可能出现产品、开源项目或重要研究进展？只有会议热度、单篇论文、单次演示或厂商自报结果的方向，不直接写成高概率主线。

判断顺序是“今天能做什么 → 用得更多后会遇到什么麻烦 → 哪些新方法正在补这个短板 → 明年上半年是否可能形成产品或研究突破”。因此，长程任务、多智能体、研究和实时交互在本文中首先是出发点；方向地图重点写它们结合后可能产生的跨会话状态、多会话组织、多模态记忆、环境预测和故障后继续工作的能力。“高概率”只表示证据较多且有落地机会，不表示问题已经解决或一定会按时发布。报告无法覆盖公司内部项目、突发的模型 / 价格 / 监管变化，以及可能突然升温的机器人、陪伴、消费交互和开放式自我演化；这些方向保留观察位，并与“现在应当投入”的主线分开。

证据分级

主报告的“高概率”表示至少有两类信号交叉，且存在清晰的产品/采用路径；具体材料仍以各波次底稿为准。

综合判断

证据如何支持这个判断

这次调研最有说服力的不是某一篇论文，而是四组材料指向了同一个变化。第一，Codex、Claude Code Agent Teams 和 Cursor Cloud Agents 都开始把“后台任务、并行工作、隔离环境和人工合并”做成产品功能，说明用户需要的已经不是一次回答，而是一个可以交付结果的工作单元。第二，OneDayAgent、Synthetic Computers 和 SWE Marathon 等工作把任务时间拉到数小时、数天甚至更长，说明“任务能否持续运行”正在成为新的能力边界，但它们还没有证明开放环境下已经可靠。第三，GPT-Live、Seed 全双工 和 MemLens 等材料把实时交互和多模态历史带到前台，说明系统必须理解连续的语音、屏幕、文件和工具过程，而不只是处理一段文本。第四，DeepSeek Harness 持久子智能体 和 Agent Teams 开始解决持久会话、消息邮箱、任务依赖和恢复问题，说明真正的瓶颈正在从“模型会不会调用工具”转向“系统能不能在中断、协作和故障后继续工作”。

这些证据不能推出“通用自治已经实现”，也不能证明某一家产品内部一定采用某种多智能体架构；它们能支持的较强结论是：产品形态、研究任务和底层运行时正在围绕同一个问题收敛，即如何把模型变成可持续交付的工作系统。

三条近场主线

1. Life-long Agent：从记忆概念走向真正的长期工作

OpenClaw 类个人智能体已经展示了通过对话派发子智能体、让系统在后台继续做事的产品形态，但任务拆分、唤醒和失败处理仍主要由模型临时决定。DeepSeek Harness 和 Codex MultiAgent V2 已公开持久会话、线程图、消息和恢复机制，OneDayAgent 与 Synthetic Computers 则把任务时间推向小时和天级。由此判断，明年最容易出现的升级是：session 不再是系统边界，智能体变成有稳定身份、任务状态和工作记忆的长期 worker。用户今天交代目标，明天回来仍能继续；中间可以暂停、换模型、增加专业 worker、修改目标或人工接管。关键验收不是记住多少，而是恢复后能否继续做对。

2. 全双工智能体：从语音功能走向拟人化的日常入口

Seed 全双工 已把豆包语音从轮流说话推进到持续倾听、自然停顿和快速响应，GPT-Live 与 PersonaPlex 则把持续对话、声音和角色控制推到产品与研究前台。下一步用户最容易感知的变化，是更像电话的交互：能听懂犹豫和打断，知道何时接话，并在通话中完成查询、提醒、安排和简单操作，逐渐进入情感支持和生活便利场景。随后语音会和屏幕、摄像头、文件及后台任务合流。关于通信厂商围绕“豆包电话”讨论上行带宽扩容的说法，目前尚未找到稳定可核验的原始公开链接，暂不作为结论依据。

3. 多智能体并行：先解决效率，再形成新的组织能力

OpenAI 的 CDC 研究 prompt 公开提出动态分配研究路线和最多 64 个并发 agent，但公开材料没有证明这次任务实际运行了 64 个 agent 或持续了 8 小时。更可靠的信号来自 Codex MultiAgent V2、Claude Code Agent Teams、Cursor Cloud Agents 和 NL2Repo-Bench：多个 worker 已经可以并行搜索、编码、测试和验证。下一步不会只是“多开几个模型”，而是根据任务难度动态增加或裁撤 worker，让 planner、执行者、测试者和 verifier 使用不同上下文和权限，并通过任务图、消息和版本化产物协作。第一阶段是并行提效，第二阶段是形成可恢复、可审阅的工作组织。

这三条主线共同指向一个更具体的产品愿景：智能体的产品单位从一次对话变成一个可持续交付的工作过程。 用户给出目标后，系统建立跨天保存的任务；按需组织多个 worker；用语音、屏幕、文件和工具推进；留下产物、证据和责任记录；允许暂停、改目标、接管和审批；失败后从检查点继续，而不是重新开始。软件交付、研究分析和企业流程最可能首先出现这种“可暂停、可恢复、可审阅”的半自治系统。

组织记忆、多模态记忆、Agent World Model、自主研究、受控自我演化和可逆运行时仍然重要，但更适合作为三条主线的升级能力，而不是九个平行赛道。机器人、陪伴和开放式智能体经济可能带来新闻级发布，但目前不应与上述主线投入等量齐观。

三层优先级

1. 近期主线：三类用户能直接感知的产品变化。长期智能体先解决跨会话、跨天运行；全双工智能体先进入电话式交互、情感支持和生活服务；多智能体先用并行 worker 缩短复杂任务的等待时间，再发展为带分工、验证和交付的工作组织。
2. 主线的支撑能力。多模态记忆、组织记忆、任务图、可逆运行时、权限、安全、评测和可回放环境，决定上述三类产品能否稳定工作；它们是必须建设的底座，不是与三条主线平行的独立产品机会。
3. 中期扩展和观察项。自主研究、Agent World Model、受控自我演化、交易、机器人、陪伴和开放式智能体经济会继续出现论文、开源项目或新闻级发布，但当前验收标准和落地路径更弱，暂不与三条主线等量下注。

支撑能力与延伸机会

当前被广泛讨论的长任务、记忆、多智能体、研究和实时交互，已经是三条近场主线的基础变量。下面的表格不再把这些内容当成彼此独立的赛道，而是列出它们规模化后会需要的支撑能力和可能出现的延伸机会：

这张表中的方向比“再做一个更长上下文模型”更可能代表下一轮竞争，因为它们对应的是规模化使用之后才会出现的组织、经济和基础设施需求，而不是当前单个模型的能力展示。

三条主线的基础能力成熟度

下表描述三条近场主线目前所依赖的能力和场景成熟度，不等同于九个平行赛道，也不等同于 2027 H1 一定会出现的新增产品。

下面逐条说明：为什么现在可能爆发、哪些公开信号支撑、可能出现什么“大动作”，以及我们应该如何理解自己的位置。

方向地图：当前基础、下一阶变化与证据

下面的表格不把 35 个名词当成 35 条赛道，而是将它们归并为 20 个可观察方向。前三列描述“现在已经具备的基础”和“明年可能发生的变化”，第四列给出判断理由，最后一列给出可追溯来源。概率含义是：高 = 至少有产品/产业与论文/benchmark 两类信号；中高 = 有明确先导信号但仍受部署条件约束；中 = 主要是研究或平台试点；观察 = 尚缺少可验证的规模化路径。

完整扩展调研底稿见：论文与 benchmark、商业产品与生态、开放式 horizon scan、会议/workshop 波次、市场采用波次、产品新闻波次、安全与协议波次、Life-long 波次、Multi-agent Organization 波次、Research/Evolving 波次、Commerce/Vertical 波次、Robotics/Embodied 波次、UX/Companion 波次、Benchmark/Reliability 波次、Open-source Protocol 波次。

我们的具体做法与合理性

先做一个“长期工作的 agent”样板

把长期任务作为主线产品叙事，选择研究项目或软件交付作为第一批场景：用户给出目标后，agent 可以连续工作数小时到数天；中途留下可读的进展、产物、未决问题和下一步；用户回来后可以继续、改目标、接管或验收。第一阶段不追求覆盖所有个人事务，而要把“任务能否持续做完”做成清楚的样板。

合理性：它同时检验 Life-long 的三种连续性，也天然需要 multi-agent、research、omni 和 computer-use；相比单纯展示记忆召回，更容易证明真实生产力价值。Synthetic Computers at Scale、Kimi K3 和 Agents' Last Exam 已把小时到周级任务带进公开讨论，市场也开始把后台 coding task 当作产品单位。

把多智能体做成“组织工作流”，而不是多开几个模型

围绕 coding 和 research 各做一套可复用组织模板：任务负责人负责拆解和汇总，专业 worker 负责独立产出，verifier 负责找冲突和检查完成度，用户在授权、方向变化和最终交付处做 checkpoint。每个 worker 都有清楚的任务边界，结果以代码、证据表、报告、测试结果或待办状态交付；需要时可以后台运行、暂停、恢复和交接。

合理性：Codex、Claude Code 和 Cursor 已从不同侧面验证了“并行任务 + 隔离工作区 + 异步运行 + 人类 review / merge”的产品需求。真正可迁移的能力是组织和交付，而不是 agent 数量；这也与 Apodex、Quest、DR Tulu 等研究中“执行者与验证者分工”的共同趋势一致。

用 DSH/Cordis 做局部运行时实验，不直接迁移整套框架

DSH/Cordis 更接近面向智能体开发者和长程轨迹生产的底层运行时，而不是开箱即用的 B 端或 C 端应用框架。内部专题讨论提出的热插拔、可逆组件、异步事件和保护现场，确实对应全双工交互、具身动作撤销和跨天任务恢复的共同痛点；DeepSeek Harness 的公开子智能体和 Agent Teams 实现则提供了持久会话、冷恢复、先进先出邮箱、任务图和幂等重放的可观察参照。

我们先在现有 Agent Kernel 上做最小组合横向对比：持久会话与事件日志、稳定子智能体身份、先进先出消息入口、任务依赖图、可回放产物、权限与中断、现场调试和释放审计。沙盒至少验证六件事：组件热插拔是否保留上下文；工具调用被打断后是否能继续且不重复产生副作用；多路事件是否有明确顺序和幂等规则；循环依赖能否被发现并停止；Session/Loop 等有状态对象在故障后能否恢复或明确要求迁移；进程重启后消息、任务和责任链能否重放。通过后只复用有证据的组件，不全量切换协议。

合理性：这条实验线直接检验“长期任务 + 多会话组织 + 全双工交互”共同依赖的运行时边界，也能把 DSH 讨论中的风险转化为可比较的验收项。需要明确的是，公开 DSH/Cordis 材料尚未给出足以证明生产效果的系统实验；我们的结论只能是“值得验证的基础设施方向”，不能写成已经解决的工程能力。

以 Autonomous Research 作为第一个高价值场景

先围绕文献调研、竞品分析和实验复现做 research workflow：明确问题、主动检索、形成证据链、寻找反例、交叉核验、输出带依据的结果，并保存中间过程供后续任务继续使用。评价重点放在结论可复核、发现新信息、减少人工往返和跨任务复用，而不是报告字数或单一 benchmark 分数。

合理性：这是当前论文和产品信号最密集、价值也最容易被研究团队感知的场景；同时能把我们的 research agent、评测和 evolving 积累串成闭环，再将组织模式迁移到其他知识工作。

把 Omni / Proactive 作为入口，把后台工作接回同一条时间线

实时语音、视觉和屏幕交互不单独做成聊天 demo，而是服务于长期任务：用户可以随时询问进展、打断或改变目标，agent 可以在合适时机汇报、请求授权或提交待审结果。Omni 是交互入口，后台任务和多智能体组织才是持续价值来源。

合理性：全双工和实时交互已有密集论文与产品信号，但单纯低延迟问答的壁垒有限；把实时入口接到长期任务和可审阅产物上，才能与已有 Life-long、GUI 和 research 积累形成组合优势。

让 Self-evolving 变成受控的能力沉淀

从成功和失败任务中提炼可复用的工作方法、检查清单和反例，先在新的任务和环境中验证，再允许进入共享能力库；重要变化保留来源、版本和人工确认，不让 agent 仅凭自评结果修改自己的标准。重点观察它是否减少重复探索、提高跨任务迁移，而不是只提高自家 judge 分数。

合理性：Self-evolving 是长期差异化的来源，但也是最容易自我强化错误的方向。把它嵌入长期任务和组织工作流，既能获得持续反馈，又能通过 verifier 和 human checkpoint 控制风险。

共同的验收口径

所有方向用同一组高层问题验收：任务是否真的完成、能否跨天恢复、多人协作是否减少返工、产物和证据是否可审阅、失败能否定位和修正、下一次任务是否因此更快更好。评测报告必须同时给出 task/environment/model/harness/tools/judge/timeout/budget/credentials tuple，以及质量、成本、延迟、人工接管、失败损失和安全副作用；不能用一个没有运行条件的排行榜分数代表 agent 能力。这样可以避免每条线各自追逐孤立指标，也能把研究结果直接翻译为产品能力。

第二波调研补充：把“长期工作”拆成四个可验证闭环

第二波专项材料把原先容易混在一起的热点拆成四个闭环：

1. 持久任务闭环：one-day/multi-day worker 需要 durable task、checkpoint、pause/resume、handoff 和 artifact-native state；不能用聊天摘要冒充长期运行。Life-long 的第一验收应是恢复后继续做对，而不是记忆命中率。
2. 组织交付闭环：multi-agent organization 的最小单位是 planner → worker → verifier → human merge，并通过 task graph、shared blackboard、版本化 artifact 和 worker lifecycle 协作。Codex、Claude Code、Cursor 的公开产品形态共同验证了并行任务、隔离 workspace、后台运行和人类合并的需求；未公开的内部 topology 不应被推断。
3. 研究演化闭环：autonomous research 从检索摘要走向 hypothesis、evidence graph、主动反驳、独立复现、claim checking 和可更新知识状态；self-evolving 则把 skill、rubric、reward tool 和环境变成候选演化对象。所有演化先进入 shadow registry，经 replay、held-out、反例和人工 gate 才能晋级。
4. 可信自治闭环：身份、授权、供应链、审计、回滚、注入防护和 agent CI 是上述三条线的共同门槛。没有 principal/scope/TTL/budget/receipt，就不能把后台 worker、commerce 或跨 agent 委托扩展到高副作用场景。

这四个闭环解释了为什么“memory、multi-agent、research、evolving、security”不是五个平行项目：前者提供状态，后者提供组织、价值场景、能力增长和上线边界。

第三波调研补充：从数字工作扩展到交易、专业行业和物理世界

• Commerce / Vertical：支付网络、商户协议和企业软件正在把 agent 连接到订单、预算、合同、病历、法律文书和科研交付，但公开材料主要是 D 级产品/标准信号。2027 H1 更可能先出现“比较→草拟→审批→提交”的受限流程、企业 workflow pack 和专业 evidence pack；真实支付、自动诊疗和无人法律意见仍应保持低自治级别。我们的切入是模拟采购、脱敏专业文档和可签署责任收据。
• Robotics / Embodied：Gemini Robotics、GR00T、Figure/Physical Intelligence、VLA、仿真和 sim-to-real 形成密集信号，H1 可能出现模型、SDK、平台和受控 pilot 的新闻级动作，但通用家庭机器人仍受硬件、数据、部署和安全约束。我们先做 provider-neutral 的 embodied task contract、环境卡、技能/worker registry、verifier/replay 和人工接管接口，不做重资产硬件押注。
• Agent UX / Companion / Education：最强的近期产品形态是 meeting-to-commitment-to-action、低风险 proactive、full-duplex delegation 和 artifact/task-queue UX；教育 tutor/coach 有中高潜力，开放式 companion 和 agent economy 仍是观察位。验收要加入打扰成本、状态正确率、用户接管、记忆删除、心理安全和未成年人保护，而不只看对话自然度。
• Benchmark / Reliability：2027 H1 很可能出现“可证明的长程交付”与 agent CI/observability 的合流。ALE、SWE Marathon、PaperBench、WorkSpaceBench、SkillsBench、MCP Atlas、Toolathlon、ResearchRubrics 以及 VAGEN/ProRe/OS-Themis/CUADebug 的共同方向，是从最终答案分数转向 artifact、过程、证据、失败根因、side effect、成本和人工接管。我们的统一 Eval Contract 应固定 task、environment、model、harness、tools、judge、timeout、budget、credentials，并建立 L0-L5 的 replay、注入、权限、恢复和发布门禁。
• Open-source Protocol / Registry：MCP Registry 已公开元注册表、server.json、发布/命名空间验证与 subregistry 边界；A2A 已公开 Agent Card、异步任务、artifact、TCK/ITK/Inspector 和 Linux Foundation 治理信号；skills/plugins 和开源 SDK 则把能力打包与 handoff 带入开发者工作流。2027 H1 更可能出现企业私有 registry、可信 connector、协议 conformance/replay 和 registry observability，而不是陌生 agent 自动组成开放互联网。我们的切入是 provider-neutral task contract、MCP/A2A/skill adapter、版本锁定、权限/副作用 gate 和 adoption ledger。

这些方向扩大了市场边界，但没有改变优先级：先用 research、coding 和企业内部流程验证长期任务、组织、证据和权限，再把同一套 contract/registry/replay 迁移到 commerce、regulated vertical 和 embodied pilot。

为什么这组组合值得押注

1. 外部信号已经交叉验证：长程任务、research team、实时 agent 和商业 coding agent 分别来自论文、benchmark 与产品，不是单一实验室的孤立热点。
2. 内部积累可以复用：memory、omni、GUI、research、evolving 和 Agent Kernel 已有项目入口，组合投入的边际收益高于再开一个独立 agent 题目。
3. 方向之间会互相放大：长期任务提供反馈，多智能体提供并行和验证，research 提供高价值场景，omni 降低交互摩擦，evolving 把经验沉淀为能力。
4. 风险可以分层管理：长期任务和研究工作先做可审阅的半自动交付；多智能体先限定在隔离、可回滚的工作区；主动行动和自我演化保留人工授权，不把未验证能力直接扩大到高副作用场景。

因此，我们的策略不是押注某个单独名词，而是先做出一个可跨天工作的 agent，再用多智能体组织、研究场景、实时入口和受控演化逐层增加价值。若长期任务样板无法稳定交付，其他方向即使在 benchmark 上领先，也很难形成真正的大动作。

1. Life-long Agent：长期记忆、长程运行与能力积累

为什么我认为它会成为主线

现在的 agent 大多仍是 session-bound：一次任务结束，经验、项目状态、未完成步骤和失败原因就被丢回数据库或聊天记录。Life-long Agent 不能只理解成“更好的个性化”，至少包含三种连续性：

1. 任务连续性：一个任务可以暂停、恢复、换模型、换 agent 或交给人处理，而不是超时后从头开始。
2. 状态连续性：跨 session 保留工作历史、文件 / 代码 / 研究产物、决策依据和未解决问题。
3. 能力连续性：从过去任务抽取 skill、策略和失败经验，在新任务上复用，agent 随使用变强。

因此，Life-long 的主体不是“记住我喜欢什么”，而是“记得工作做到哪里，并能继续把它做完”。个性化只是其中一个较浅的应用。

可以把任务连续性粗略分成四个尺度：

因此，long-horizon task running 不是 Life-long Agent 的一个边角功能，而是从“记忆”走向“持续工作”的中间层。

这条线的信号已经不是单纯的 long context：

• MemLens 将多模态长期记忆拆成 recall、时序、定位、视觉 fidelity 等相互独立的能力，并指出“拉长上下文”与普通 RAG 都不足以解决长期记忆问题。papers/memlens.md
• FocusMem 把 GUI memory 分成内容、读取和信任三部分，说明 memory 不只是“存什么”，还包括“何时读、读出来是否可信”。结果有正向信号，但仍是单次运行、冻结模型和单一 judge，属于强方向信号而非定论。papers/focusmem.md
• LCLM、LLoCO、MemoryLLM、M+、Cartridges、Engram 等工作分别探索了压缩表征、reader、参数化记忆和可检索 memory，研究问题已从“有没有 memory”进入“memory 如何被模型真正使用”。papers/lclm-e2e-context-compression.md、papers/lloco-learning-long-contexts-offline.md、papers/memoryllm-mplus.md
• 近期多模态 agent 工作开始把截图、语音、视频、工具结果一起看作长期历史，这会使“个人助理 / 项目助理”比纯聊天 memory 更有产品价值。
• Synthetic Computers at Scale 已把 agent 运行拉到约一个月工作量：平均 2272 turns、8.59 小时，并把成功轨迹抽成 occupation skills，再迁移到 held-out 电脑和 GDPVal 任务。papers/synthetic-computers-at-scale.md
• Kimi K3 的 agentic RL 测试包含数千次工具调用、百万 token 的 personal-assistant 长程任务，以及 24 小时 kernel 优化和 48 小时芯片 RTL 设计案例；这说明“任务是否能持续跑完”已经成为 frontier agent 的展示维度，而非单纯的 context length。papers/kimi-k3-tech-report.md
• CompactionRL 把摘要 / context compaction 纳入长程任务的 policy，而不是把它当作固定 preprocessing；TideRL 则把暂停、恢复、ready backlog 和任务驻留作为 agentic RL 的核心调度对象。papers/compactionrl.md、papers/tiderl.md
• LaMer 用跨 episode 的 Meta-RL 让 agent 在同一 trial 中先探索、后利用；它说明长期适应不仅是保存记忆，也可以是在连续任务中改变策略。papers/lamer-meta-rl-language-agents.md

可能出现的大动作

我预期会出现四类动作：

1. 持久任务队列：用户给出目标后，agent 在后台运行数小时或数天，期间可暂停、恢复、询问和汇报，而不是每次交互都重新启动。
2. 任务状态与记忆合一：agent 保存的不只是摘要，还包括已完成步骤、当前假设、产物位置、失败尝试、待验证事项和下一步计划。
3. 团队 / 项目 memory：记忆属于项目、代码库、研究课题或组织，并被多个 agent 共享，而不是只属于个人账户。
4. 能力沉淀：从长程任务中抽取 skill、工作流和反例，迁移到下一台电脑、下一份代码库或下一类研究任务。

关键分水岭

Life-long Agent 的真正分水岭不是 memory 容量，也不是一次能放多少 token，而是：

• 能否区分“事实、偏好、暂时状态和过期信息”；
• 能否在正确时机调用记忆，而不是把历史全部塞进 prompt；
• 能否在任务中断、环境变化、模型切换后继续推进；
• 能否保留证据、纠错、撤回和交接路径；
• 能否把一个任务的经验迁移到下一个任务，而不是每次只记住聊天内容；
• 能否在长期使用中减少重复探索，而不是积累越来越多噪声。

如果只做“聊天历史摘要 + 向量检索”，我认为很难形成下一轮大动作；更有潜力的是 memory + durable task state + action + feedback 的闭环。Long-horizon running 是 Life-long Agent 的主体，不是 memory 产品的附属功能。

我们应该怎么看

这是我们最应该持续投入的方向之一，但研究问题应从“memory 是否有效”升级为“agent 能否持续把长任务做完”。DuplexOmniAgent 已有 lifelong memory、memory decoding、context compact 和 native multimodal memory 的连续积累；ReinforceAgent 从外部 episodic memory 与 policy 联合优化切入；Plan Mode、GUI 和 AgentPlat 则可以提供真实的长程任务与跨环境执行载体。当前最有价值的判断不是追求一个漂亮的压缩倍数，而是验证：agent 是否能在跨 session、跨环境和跨 worker 的任务中恢复状态、减少重复探索、继续完成工作，并把结果沉淀成下一次可复用能力。

相关入口：projects/duplex-omni-agent/、projects/duplex-omni-agent/design/lifelong-memory-roadmap.md、projects/reinforce-agent/README.md。

2. Omni / Realtime Agent：从“轮次对话”到“持续在场”

为什么现在可能出现产品级跃迁

Omni agent 的关键变化不是输入模态从文字增加到音频和视频，而是交互时间模型发生变化：用户不必等 agent 说完，agent 也不必等用户完全停下；它可以边听、边看、边思考、边调用工具，并在用户改变意图时及时调整。

近期信号非常密集：

• GPT-Live / Interaction Models 代表“前台持续交互 + 后台更强模型或工具并行工作”的产品方向。papers/gpt-live.md、papers/interaction-models.md
• ByteDance Seed 全双工语音产品、MiniCPM-o 4.5、Qwen Omni、Moshi、PersonaPlex、SALMONN-omni、BayLing-Duplex 分别从产品、开源底座和 native duplex 训练推进这一方向。papers/seeduplex.md、papers/minicpmo-4-5.md、papers/qwen3-omni.md、papers/bayling-duplex.md
• Full-Duplex-Bench 已把抢话、停顿、打断、工具调用和多步任务纳入评测，说明行业开始从“听起来像真人”转向“能不能在真实时间线上完成事情”。papers/full-duplex-bench.md
• Speculative Interaction Agents 研究异步用户输入、工具调用和 speculative action，说明实时 agent 的核心问题已经从 speech quality 转向 action timing 和 cancellation。papers/speculative-interaction-agents.md

可能出现的大动作

1. 语音助手重新成为入口，但产品核心从问答转向持续陪伴、随时打断、边说边执行。
2. 实时 agent 与后台 agent 合流：前台负责低延迟互动，后台负责搜索、规划、整理和长任务，结果持续回到同一条对话时间线。
3. Omni agent 进入屏幕和环境：不只听语音，还持续看屏幕、摄像头、文档和周围环境，并主动采取操作。
4. 实时交互出现独立评测与训练范式：timing、interrupt、correction 和 proactive response 可能成为新的模型竞争指标。

关键分水岭

Omni agent 是否能形成真正的产品跃迁，取决于它能否处理四件事：

• 用户犹豫、改口、重叠说话和环境噪声；
• 不该做的动作要能及时取消；
• 前台响应不能被后台长任务拖住；
• agent 要能判断何时主动说话、何时保持安静。

因此，单纯把语音 tokenizer 接到 LLM 上不会自动得到 omni agent。真正有价值的是“连续感知 + 连续行动 + 后台任务”三者合在一起。

我们应该怎么看

这是近期最有可能出现大规模产品动作的方向。我们已有 DuplexOmniAgent、chunked-tool-call 和 duplex-sandbox 三条积累，适合把重点放在“agentic omni”而不是普通语音聊天：让实时模型能够看见工具、环境和长期任务，并在不中断用户体验的情况下推进工作。

相关入口：papers/reading-lists/duplex-omni-agent.md、projects/duplex-omni-agent/、projects/chunked-tool-call/。

3. Autonomous Research Agent：从搜索工具到“发现式工作流”

为什么它可能成为最先产生高价值的 agent 场景

Autonomous research 的价值比较容易被组织感知：如果 agent 能够自己检索、比较、验证、写报告，并且明显减少研究人员的时间，它就不只是“更好用的聊天机器人”，而是一个新的工作单元。

近期信号包括：

• Quest 用全合成任务、rubric tree、Context Condenser 和 MT→SFT→RL 训练 deep research agent，在多个 research benchmark 上取得有竞争力结果；同时也暴露出 objective benchmark 与 open-ended research 之间的 alignment tax。papers/quest-deep-research-agent.md
• Apodex-1.0-H 把 heavy-duty research 做成异步 agent team + verification team + global verifier，公开结果强调 discoverative intelligence，而不是单纯加长上下文。papers/apodex-1-tech-report.md
• DR Tulu / RLER 把 rubric pool 与 research policy 在线共演化，说明 research agent 的评价标准本身也会随着任务变化。papers/dr-tulu-rler.md
• BrowseComp、DeepResearch Bench、GAIA、FrontierScience-Research、HLE 等 benchmark 的增多，说明“研究型 agent”正在形成独立赛道，而不是普通 web browsing 的附属评测。

可能出现的大动作

1. 研究型 agent 产品化：面向投研、科研、法律、医学、工程和市场分析，输出有证据链的长报告。
2. 从问答转向自主课题：用户给目标和约束，agent 自己拆问题、搜集资料、设计比较、运行代码或实验，再提交结果。
3. 验证型 agent 团队：探索 agent、证据 agent、反驳 agent、编辑 agent 和总验证器形成固定组织，而不是一个 agent 反复自我反思。
4. 研究过程成为产品资产：中间检索、冲突、假设、失败实验和证据质量会被保存下来，供下一次研究复用。

关键分水岭

Autonomous Research 的核心不是报告写得像不像，而是：

• 结论是否能被外部证据核验；
• agent 是否主动寻找反例，而不是只收集支持材料；
• 多个子任务之间能否共享真正有用的中间结果；
• open-ended 研究是否会被固定 rubric 或 benchmark 过拟合。

未来真正有影响力的系统可能不再以“回答准确率”作为唯一指标，而会评估研究结论的可复核性、证据质量、发现新信息的能力和研究成本。

我们应该怎么看

这是我们已有论文积累最完整、也最适合形成方向叙事的一条线。Quest、Apodex、DR Tulu、AutoEvolvingRewarding、AgentPlat 可以组合成“研究 agent 的数据、验证、评测和演化”主线。相比做一个泛化的 web agent，我们更应该关注：研究过程如何沉淀为可复用经验，评价标准如何随领域变化，agent 如何在发现未知信息时继续推进。

相关入口：papers/reading-lists/agent.md、projects/auto-evolving-rewarding/。

4. Self-evolving Agent：从“完成任务”到“持续变强”

为什么这是最值得关注的技术叙事

如果 agent 每次失败都只能等人重新写 prompt、增加数据或升级模型，它的能力上限仍由人工迭代速度决定。Self-evolving agent 的目标是让 agent 从轨迹、失败、环境反馈、工具使用和自我评价中持续改进。

这条线的论文已经形成连续谱：

• EvoCUA 用合成经验迭代提升 computer-use agent，展示了“执行—筛选—再训练”的基本循环。papers/evocua.md
• VAGEN、ProRe、OS-Themis 把 verifier 从被动判分器变成主动探索、主动 probing 或多角色批评者。papers/vagen.md、papers/prore.md、papers/os-themis.md
• RLAR 让 reward tool library 自增长，DR Tulu / RLER 让 rubric pool 与 policy 在线共演化；这说明演化对象已从 policy 扩展到 reward、rubric 和验证过程。papers/rlar.md、papers/dr-tulu-rler.md
• Self-Rewarding、Meta-Rewarding、Eureka、Rubrics as Rewards 等早期工作提供了“模型评价自己 / 生成评价标准 / 设计 reward”的起点；近期 agent 论文把它们放回真实环境和长轨迹中。papers/self-rewarding.md、papers/meta-rewarding.md、papers/eureka.md

可能出现的大动作

1. Agent training loop 自动化：从采样、失败挖掘、反例生成、评价、数据筛选到再训练形成自动闭环。
2. Verifier / reward agent 产品化：评价器不再只是分数接口，而是能主动检查、补充证据、提出下一步测试。
3. Agent 自己改进工具和工作流：通过发现失败模式，主动调整检索策略、工具选择、计划模板或协作分工。
4. 持续学习型组织：一个团队的 agent 共享失败经验与验证规则，整体能力随使用增长，而不是每次从单一 checkpoint 开始。

关键分水岭

Self-evolving 方向最容易被夸大。真正的演化必须满足：

• 改进能在未见任务或新环境上复现；
• reward 提升不等于真实任务成功提升；
• 评价器、数据和策略不会互相“串通”形成自嗨闭环；
• 每次变化可以追溯、比较和回滚。

目前很多工作仍是单环境、单次运行、单一 judge 或自报结果，因此我把“方向概率”评为高，但把“通用自我改进已解决”评为低。

我们应该怎么看

这是我们最适合形成差异化的方向之一。AutoEvolvingRewarding 已经把 Program、TestSuite、replay、shadow、provenance 和 promotion gate 组织成一个可复用框架；ReinforceAgent 提供跨环境 experience 迭代；PlanRL / GUI agent 则提供真实 executor 和失败样本。我们不应把目标写成“让 agent 自己变聪明”，而应聚焦于：如何让 agent 的失败变成可靠的新能力，而不是新的偏差。

相关入口：projects/auto-evolving-rewarding/README.md、projects/reinforce-agent/README.md、papers/reading-lists/auto-evolving-rewarding.md。

5. Multi-agent Organization：商业产品已经进入“agent 组织”阶段

这不是简单的并行调用

多智能体的早期做法是把同一个 prompt 发给多个模型，再投票或拼接结果。现在的重点已经变成 如何组织一组有不同上下文、权限、工具和职责的 agent，让它们共同完成一个长期任务。

一个真正的 agent organization 至少包含六个问题：

1. 拆分：谁决定把任务拆成哪些子任务，子任务之间是独立、依赖还是竞争关系？
2. 角色：不同 agent 是否拥有不同目标、工具、上下文和预算，而不是同一个模型重复工作？
3. 协调：结果通过消息、共享文件、任务图、事件流还是结构化 artifact 传递？
4. 生命周期：worker 是一次性调用、后台持续运行，还是可以暂停、恢复和再次唤醒？
5. 合并：谁负责冲突解决、代码合并、事实核验和最终交付？
6. 责任：出现错误时，能否定位是分派、执行、协作、验证还是最终决策出了问题？

因此，“多智能体”不是一个单一架构，而是一组组织模式：

商业 coding agent 的公开形态

Codex、Claude Code、Cursor 的内部实现并不完全公开，但它们对用户暴露的产品形态已经足以说明行业方向。三者不是同一种“多智能体”：

这里有一个重要判断：商业产品的 multi-agent 不是论文中常见的“多个 agent 互相聊天”。它们把多智能体嵌入真实工作流：每个 worker 有自己的上下文和工作区，结果以 diff、artifact、测试报告或任务状态交付，用户负责高价值的授权和合并。隔离、异步、可恢复和可审阅，比“角色数量”更重要。

近期研究信号

• Apodex-1.0-H 是目前本库最清晰的 research-agent organization 案例：一个 orchestrator 异步派发专业子 agent，另外有冲突审查、事实核查、草稿审查和 global verifier；单任务最多 150 个子 agent、15,000 step。papers/apodex-1-tech-report.md
• Agents' Last Exam 已把 Codex、Cursor、Claude Code 等商业 harness 放在同一组真实职业工作流中比较；公开失败分析显示瓶颈仍主要在 approach、任务完整性和领域理解，而不是简单的工具调用。这说明商业 multi-agent / harness 竞争最终要落到“能否完成复杂交付”，而非“能否启动更多 agent”。papers/agents-last-exam.md
• Quest、DR Tulu / RLER 把 research agent 的任务拆分、rubric、context state 和验证过程结合起来，说明研究型 multi-agent 的价值不在于并行搜索本身，而在于不同角色对证据和目标的分工。papers/quest-deep-research-agent.md、papers/dr-tulu-rler.md
• ProRe、VAGEN、OS-Themis 把 reasoner、evaluator、verifier 和 critic 分开，让“执行”和“判断是否完成”不再由同一个 agent 自我宣布。papers/prore.md、papers/vagen.md、papers/os-themis.md
• Synthetic Computers at Scale 的月级仿真使用 setup agent、work agent、协作者和 skill 抽取闭环；它更接近“长期工作组织”，而非单任务 agent。papers/synthetic-computers-at-scale.md
• Self-Supervised Goal-Reaching ... Multi-Agent Cooperation 是弱信号：它提示多 agent 可能通过 goal-conditioned coordination 获得探索优势，但目前仍主要是研究环境结果，不能直接外推到 coding / research product。papers/self-supervised-multi-agent-goal-reaching.md

DSH / DeepSeek Harness 给出的更具体信号

DSH 的价值不应只概括为“能启动子智能体”。其公开实现把子智能体拆成持久会话、运行中激活和消息入口三个层次：会话可以在进程空闲或重启后重新激活；同一个子智能体通过先进先出消息入口接收后续工作；父子关系、释放顺序和结束通知被记录下来。详见 subagent subsystem 和 continuation implementation。

实验性的 Agent Teams 再向上增加负责人、命名成员、持久邮箱和共享任务图：消息先写入队列，目标确认后再标记已投递；恢复时重放未确认消息，并按消息编号去重；任务更新使用版本号，依赖关系要求保持无环。它更接近“可恢复的工作组织”，而不是多个模型互相聊天。公开默认限制是最多 8 个成员、每个成员最多 64 条待投递消息和 256 个未删除任务；因此不能把其中的 64 解读为并发 worker 数量。Agent Teams subsystem

这组设计把 2027 H1 的问题边界说得更清楚：长期智能体需要稳定身份、冷恢复、消息幂等和责任归属；多智能体组织需要任务图、邮箱和交付物；运行时需要明确哪些状态可以替换，哪些状态必须通过迁移或人工确认处理。它仍不能证明生产环境的成功率，也不能代替对事件时序、跨进程恢复、共享工作区写冲突和高副作用工具的实测。

组织记忆与工作关系图：从抽象概念变成工作状态

组织记忆不应被实现成“把所有聊天内容做向量检索”。它至少要记录以下对象：

这张图的价值在于支持实际工作，而不是增加一个可视化页面。最小查询应包括：当前最可信的项目状态；某个决定的证据和批准链；任务暂停后下一步应从哪个检查点继续；两个 worker 结果冲突的来源；某份文件或记忆是否已经过期；以及撤销某项授权后哪些后续动作必须停止。图中每条关系都要带时间、来源、权限和置信度，支持纠错、删除和审计。MemLens、Synthetic Computers 和 WorkSpaceBench 提供了记忆、长期工作和工作空间的先导信号，但关系一致性、隐私隔离和跨项目迁移仍需自行评估。

可能出现的大动作

1. IDE 内置 agent team：用户不再只开一个 coding agent，而是让 planner、repo explorer、implementer、test runner、reviewer 和 documenter 协同工作。
2. 后台任务工作池：一个用户同时挂起多个 issue、实验、重构或研究任务；agent 在用户离线时继续推进，回来后交付可审阅结果。
3. 研究组织模板化：针对事实核查、文献检索、实验设计、代码复现、反例搜索和写作审查形成可复用 team template。
4. 跨 agent 的共享工作空间与组织记忆：任务表、文件、代码、证据和失败经验变成组织的公共状态，而不是每个 agent 私有上下文。
5. 动态组建和动态裁撤：系统根据任务难度、剩余预算和证据冲突决定是否增加 specialist、verifier 或 reviewer，而不是固定开 N 个 agent。
6. 从“代码生成”变成“交付流水线”：多 agent 负责从 issue 理解、计划、实现、测试、审查到 PR / release 的完整闭环，人的位置转向授权、取舍和最终验收。

这条线的真正瓶颈

多智能体最难的不是并行，而是 协调收益能否抵消协调成本。必须回答：

• 子任务是否真的独立，还是多个 agent 在重复读同一份上下文？
• 多个 worker 的结果如何合并，谁能发现互相矛盾的结论？
• 共享 workspace 会不会让一个 agent 的错误状态污染其他 agent？
• worker 失败、超时或模型切换后，任务能否从中间状态继续？
• 是否有清晰的 stopping rule，避免 agent team 无限讨论和 token 爆炸？
• 最终错误能否归因到具体角色和具体 artifact，而不是只知道“团队失败”？

我们的判断与切入位置

这条线的概率应从“中高”上调为“高”。原因不是多智能体论文数量增加，而是 Codex、Claude Code、Cursor 已把多任务、subagent/team、后台 worker、隔离 workspace 和人类合并带进主流 coding 产品。2027 H1 很可能继续出现两类大动作：一类是 coding IDE 把 agent organization 做成默认工作流；另一类是 research / productivity agent 把相同组织模式迁移到非代码任务。

我们应重点研究的不是“如何再开更多 agent”，而是：

• long-horizon organization：任务跨小时 / 跨天运行时，如何分派、暂停、恢复、交接和汇报；
• artifact-based coordination：agent 通过计划、代码、测试报告、证据表和任务状态协作，而不是只传自然语言；
• specialist + verifier：把执行、审查、反例搜索和最终交付拆开；
• organization memory：跨任务保存哪些分工经验、失败模式和角色选择；
• human checkpoint：在哪些节点让人确认，如何让人快速理解整个 agent team 做了什么。

这与 Agent Kernel、AgentPlat、AutoEvolvingRewarding、Plan Mode、ReinforceAgent 和 DuplexOmniAgent 都有关，但重点应从“底层协议”上移到 agent organization as a product and research paradigm。

6. Computer-use Generalist：从演示操作到真实工作流

为什么它会继续成为落地场

Computer-use 是 agent 最容易被用户直接感知的能力：它能否打开软件、阅读屏幕、操作网页、处理文件并完成跨应用任务。GUI 也提供了比纯文本环境更接近真实世界的反馈，因此很适合成为 agent training 和 autonomous work 的试验场。

本库已有 YouTube→GUI、AgentNet、OSWorld、OpenComputer、WindowsWorld、MobileWorld、GUI reward 和多评测能力地图等连续证据。YouTube MidTrain 与 AgentNet 的互补结果，以及子目标级 ICL 的正向结果，说明长程理解和动作精度需要不同数据来源。projects/yt2gui-long-horizon/README.md、findings/youtube-midtrain-outperforms-agentnet-equal-data.md、findings/subgoal-icl-outperforms-trajectory-icl.md

可能出现的大动作

• agent 进入办公软件、开发环境、浏览器、移动端和企业内部系统，而不只做 benchmark demo；
• 屏幕理解与长期任务记忆结合，agent 能持续执行几十步甚至跨 session 的工作；
• GUI agent 与 research / coding / productivity agent 融合，成为实际工作的执行层；
• 真实环境数据和可验证反馈成为模型能力差异的重要来源。

我们的判断

这是“最容易落地、但最难稳定”的方向。我们应把 GUI 视为长期 agent 和 autonomous work 的实验场，而不是孤立的坐标预测任务。重点应放在长程任务、失败恢复、状态变化和跨应用工作流，单步点击精度只是基础能力。

7. Proactive Agent：从等待指令到理解何时该行动

为什么是一个强弱信号

传统 assistant 的边界是“用户问，我回答”；长期 agent 的边界是“我知道什么时候应该提醒、询问、准备或直接行动”。PROEVENT 等工作已经把 response timing、事件插入、更新和删除纳入 proactive agent benchmark；Interaction Models、GPT-Live 和 realtime agent 也都在强调后台工作和适时介入。papers/proevent.md、papers/interaction-models.md

可能出现的大动作

• 日程、邮件、代码、研究和个人事务中的主动提醒与准备工作；
• agent 先准备草稿、检索资料或运行检查，等用户确认后提交副作用；
• 根据用户状态、环境变化和任务进展动态决定是否介入。

为什么它还不是“确定主线”

Proactive agent 的技术难点之外，更大的障碍是信任：什么时候算“有帮助”，什么时候算“打扰”；错误行动由谁负责；用户是否能理解 agent 为什么此时介入。这个方向可能在产品上突然出现，但研究评价和安全边界仍不成熟。因此建议跟踪，不要把它当作唯一主线。

8. Meeting / Ambient / Artifact UX：从摘要到承诺与可接管行动

会议和主动 agent 的产品机会不只是“总结得更好”，而是把 meeting → commitment → task → follow-up 变成可审阅的长期状态。UX 专项扫描显示，full-duplex、meeting agent、task queue 和 artifact-native workspace 的交叉信号强于“完全自主陪伴”：用户更愿意接受低风险的候选行动、提醒、草稿和后台研究，而不是 agent 在没有可见理由时替自己做不可逆决定。

可能的大动作：会议后自动生成带负责人和期限的任务，后台 worker 跟进资料和草稿，在截止前主动询问或升级；实时语音/视觉入口可以随时查看进展、打断和授权。教育产品则把 tutor/coach 的长期 mastery state 与任务队列连接起来。

我们的做法与合理性：建立 research meeting-to-task 样板，事件、承诺、artifact、候选行动和过期时间全部可追溯；每个主动行动先显示触发理由、影响范围和撤销方式。统一测提醒收益、打扰成本、状态正确率、接管时间和用户修正，而不是只测 ASR 延迟或摘要质量。陪伴和未成年人场景暂不作为主线，先观察关系记忆删除、心理安全和责任边界。

9. Self-supervised / Open-ended Agent Learning：从任务奖励到能力发现

为什么值得关注

如果 agent 只能在已有任务和人工 reward 上学习，它很难获得开放世界中的探索和迁移能力。Self-supervised RL、temporal representation、goal-conditioned exploration、multi-agent goal reaching 和 emergent skill work 试图从轨迹中的时间关系、状态变化和可达性中学习，而不依赖每一步人工标注。papers/reading-lists/self-supervised-rl.md

近期这条线的弱信号包括：contrastive RL、temporal distance、self-supervised multi-agent goal reaching、recurrent depth / test-time compute，以及把 agent 经验转成可重用 skill 的工作。它们还没有统一产品形态，但可能为 Life-long Agent 和 Self-evolving Agent 提供更强的底层学习机制。

可能出现的大动作

• agent 在没有明确终局 reward 的环境中自主发现可复用技能；
• 根据“未来可达状态”而非固定任务标签组织经验；
• 长期记忆、探索、skill discovery 和多 agent 协作合并成持续学习系统。

我们的判断

这是中期研究突破点，不一定在 2027 H1 形成成熟产品。我们应该把它作为 Life-long / Evolving 的前沿储备，重点看是否能在真实 agent 环境中转化为更好的探索、失败恢复和跨任务迁移，而不是只在 toy environment 上报告 representation 指标。

10. Software Factory / Coding Agent：从写代码到软件交付

为什么应从 Computer-use 中单列

Coding agent 是 Life-long 和 Multi-agent 最早形成商业闭环的场景。产品单位不再是一次 patch，而是 issue → 计划 → 多文件修改 → 测试 → review → PR / release 的持续交付工作单元。它把长期记忆、后台 worker、artifact、verifier 和人类合并放进一个可观察流程。

近期信号

• SWE Marathon 把软件任务预算推到小时级，覆盖编译器、分布式系统、Web、ML、CUDA 和办公文件；PaperBench 则要求从论文和空环境复现实验。
• WorkSpaceBench 用大规模文件依赖和细粒度 rubric 评估 agent 是否能发现上下文并安全交付；Agents' Last Exam 将 GUI、CLI 和领域软件放进真实职业 workflow。
• Codex、Claude Code、Cursor、Devin 等产品都把隔离 workspace、测试、diff、PR 或任务状态作为用户可见产物。

可能的大动作与我们的做法

2027 H1 很可能出现“agent software factory”：issue triage、实现、测试、review、文档和发布形成默认组织模板，并从代码扩展到数据管道、部署和运维。我们应以真实仓库或可复现项目做样板，验收跨天恢复、失败解释、测试覆盖、人工 review 时间和下一次任务的重复探索减少，而不是只看 SWE-bench pass rate。

11. Skills / Capability Store：经验成为可安装能力

为什么这是独立方向

Skill 正从 prompt 片段变成包含说明、脚本、资源、前置条件、权限、verifier、成功/失败案例和版本的能力包。它既是 Self-evolving 的产物，也是 Multi-agent 组织跨任务复用的公共资产。

近期信号

• SkillsBench 将 skill 定义为指令、脚本和资源组成的模块化目录，并同时评估选择、使用和组合能力。
• Synthetic Computers at Scale 从长程轨迹抽取 occupation skill 并迁移到 held-out 电脑和 GDPval；Watch and Learn、OpenCUA 和 EvoCUA 分别提供视频、人工轨迹和在线经验进化信号。
• Claude Code、Cursor、Codex 和企业平台都在公开 rules、skills、plugins、connectors 或等价扩展入口。

可能的大动作与我们的做法

可能出现组织级 skill registry、skill marketplace 和自动 skill authoring。我们应先建立 research、coding、GUI 三类小型 registry：每个 skill 固定适用场景、权限、输入输出、版本、测试轨迹和回滚方式；新 skill 先进入 shadow registry，经 held-out 任务和人工批准后才共享。否则“skill store”很容易退化为没有质量保障的 prompt library。

12. MCP / Tool Ecosystem Agent：工具网络成为平台层

方向与信号

当 agent 要从几十个工具中选择并组合动作，核心问题变成能力发现、schema 理解、成本/延迟权衡、失败恢复和副作用控制。MCP Atlas 让 agent 在大量真实 MCP server 和工具中自行选择；Toolathlon-Verified 与 Automation Bench 评估跨工具的验证型任务；Speculative Interaction Agents 则把工具调用建模成可取消、可修改的 DAG，并区分 read-only 与 side-effect。

MCP 官方规范和持续增长的 server 生态说明连接需求已成立，但协议本身不等于可靠性。2027 H1 可能出现工具目录、能力检索器、企业 connector、工具质量评分和副作用审批产品。我们应把工具定义成带权限、成本、幂等性、回滚、版本和 provenance 的 capability contract，并在真实研究/办公工具上评估“选择正确工具”和“工具失败后能否继续”。

13. Enterprise Workflow 与 Vertical Professional Agent：从聊天到业务交付

为什么会成为最先付费的场景

企业和专业行业有结构化数据、固定流程、审批节点和明确预算。agent 的产品形态会是带 connector、权限、SLA 和审计的工作队列，而不是开放式聊天。科研、软件研发、金融分析、法务文书、医疗信息整理、咨询和 IT 运维是较容易率先落地的垂直。

近期信号

• APEX-Agents 覆盖投行、咨询和公司法的跨文件、邮件、日历和文档任务；Job Bench 要求职业交付物；HealthBench、PLawBench、PRBench-Finance、PRBench-Legal、SciCode 和 PaperBench 分别提供医疗、法律、金融和科学工作流信号。
• Microsoft Copilot Studio、Salesforce Agentforce、ServiceNow AI Agents、Harvey、Abridge 等公开产品都把 agent 和业务系统、专业资料、动作及治理绑定。

我们的做法

不先做泛企业平台，先从研究组内部文献入库、实验复现、结果审阅、资源申请或工程分析中选择一个可验证 workflow，把领域资料、工具权限、verifier、人工审批和 provenance 固化为模板。验收看交付物、证据覆盖、人工复核时间、错误升级率和跨任务迁移，而不是行业版聊天体验。

14. Agent Reliability / QA / Observability：能做还要能证明做对

方向与信号

长程 agent 的主要产品风险是过程不可见、失败难定位、结果无法审计。CUADebug 提供失败轨迹的 root-cause、证据和 correction；OS-Themis、VAGEN、ProRe 分别将 milestone verifier、主动环境 probe 和 reasoner/evaluator 协作引入 GUI agent；Agents' Last Exam 和 AgentPlat 则把真实职业任务与统一 harness 推到前台。

可能的大动作与我们的做法

Agent 平台可能像软件工程一样引入 CI：每次模型、skill、工具或 prompt 更新，都在长程任务、失败回放、权限边界和副作用检查上做 release gate。我们应把 Agent Kernel 的事件流、checkpoint、权限和 artifact 统一成可 replay trace，至少提供结果、过程、副作用、证据四层评分，并报告成本、延迟、人工接管和失败类型。LLM judge 只能作为一层，不能替代 code oracle、环境 readback 和人工复核。

15. Trustworthy Autonomy / Security：代理权成为上线门槛

为什么不是附属安全功能

当 agent 能修改代码、发邮件、采购、写入企业系统或跨天运行时，问题变成“它代表谁、在什么范围内行动、如何撤销和追责”。Speculative Interaction Agents 的 commit gate、Apodex kernel 的权限/暂停/事件记录、OpenAI computer-use schema finding 和 Claude Computer Use 的隔离与人工确认都说明治理已进入运行时边界。

prompt injection、恶意 skill / connector、凭证盗用、数据外泄、越权和不可逆动作会同时影响 commerce、enterprise、GUI 和 multi-agent。2027 H1 可能出现 agent firewall、工具供应链扫描、权限策略、行动收据和第三方审计产品。

我们的做法

在 Agent Kernel 中把 principal、scope、TTL、预算、approval、commit、rollback、provenance 和 receipt 作为一等状态；按 read-only、write、external-send 和 financial/irreversible 分层。安全验收同时报告攻击成功率、误报率、任务损失、人工介入负担和回滚成功率，避免只测“拒绝了多少攻击”。

16. Agentic Commerce：从推荐到代表用户产生经济行为

为什么值得单列

购物、旅行、报销、企业耗材采购和售后是 agent 从“会使用工具”走向“代表我行动”的最直观场景。OpenAI/Stripe 的 Agentic Commerce Protocol、Visa Intelligent Commerce、Mastercard Agent Pay 和 Shopify 的 AI shopping 都把商品发现、商户能力、支付凭证和授权推到公开议程。

可能的大动作与我们的做法

平台可能把 agent mode、购物协议、支付 token、预算策略、退货和责任中心做成产品。短期更可能是低风险、可撤销、用户明确确认的流程，而不是完全自动付款。我们可以做模拟商店、旅行和企业采购 benchmark：agent 先产出候选比较表与价格/条款证据，只有满足预算和禁选项后才进入确认；把拒绝、升级人工、退款和网页 prompt injection 当作一等结果。

17. Artifact-native Workspace / Creative Agent：交付物成为界面

方向

Agent 的最终输出越来越不是一段文本，而是代码仓库、研究报告、表格、演示、视频、网页、3D 场景或设计稿。用户在 artifact 上评论、分支、测试、局部修改和合并，agent 的记忆围绕 artifact graph、版本和证据组织。

近期信号与我们的做法

PresentBench、SpreadsheetBench 2、Vision2Web、Parametric CAD Bench 和 WorkSpaceBench 都在从交付物而非聊天质量定义任务。Coding agent 的 branch、diff、test 和 PR 是最成熟的例子。我们应先把研究报告、代码仓库和实验结果定义为可回滚 artifact graph，重点测“人类接管后继续完成的时间”和“依赖/证据是否完整”，而不是首轮生成是否漂亮。

18. Agent Experience / Data Flywheel：经验数据成为护城河

方向与信号

下一轮 agent 竞争可能不在静态文本，而在完整 episode：环境状态、工具结果、成功/失败、修复、人工接管、验证标签和许可证/隐私 provenance。Watch and Learn 提供视频到 GUI 轨迹，OpenCUA 提供人工高质量轨迹，EvoCUA 提供成功/失败筛选与再训练，Synthetic Computers at Scale 提供月级电脑仿真，CUADebug 则证明失败本身可以成为修复数据。

我们的做法

以 Agent Kernel trace 作为统一 episode 格式，保存任务状态、工具、GUI 观测、artifact、验证结果和人工接管点，分成 success、near-miss、failure、repair 四类池。所有 skill 或 policy 变化都要在 held-out 环境验证，防止经验飞轮退化为自我循环。

19. Environment / World Model：可生成、可验证的工作世界

世界模型在 agent 领域短期不一定先表现为通用物理预测器，更可能表现为可交互、可回放、可生成并带 oracle 的网页、桌面、代码库、研究实验或整台工作电脑。GUI-GENESIS、CUA-Gym 和 Synthetic Computers at Scale 已展示环境、任务和 reward 一起扩展的路径。

2027 H1 可能出现 agent gym / work simulator 或 environment-generation-as-a-service。我们应先做任务级环境卡：状态、动作、可见性、oracle、版本和 sim-to-real 对照；明确“能生成”与“能迁移”是两件事，服务于研究、coding 和办公任务，再观察是否值得扩展到移动和机器人。

20. Agent Protocol、Identity 与 Marketplace：从内部组织走向开放委托

方向

MCP 偏向 agent 与工具/数据连接，A2A 偏向 agent 发现、委托和协作；identity、wallet 和 capability registry 则回答“这个 agent 以谁的身份行动、带什么预算、能否撤销”。MCP、Google A2A、Linux Foundation Agentic AI Foundation 和各类 agent marketplace 讨论说明生态层正在形成。

判断与我们的做法

短期不会出现无需信任的开放 agent 互联网，更可能先在同一企业、同一云或白名单 partner 内出现。我们应为 Agent Kernel 定义最小任务委托卡：能力、输入 artifact、预算、数据范围、截止时间、验收条件、返回 artifact、失败原因和责任主体；再用 MCP/A2A-like adapter 做暂停恢复、权限收回、幂等和审计测试。Marketplace 先作为内部 skill/agent registry，不急于开放交易。

21. Personal Event-driven / Meeting Agent：维护时间线并适时介入

Personal agent 的下一步不是单纯扩大偏好记忆，而是维护动态事件、承诺和任务。PROEVENT 将 Insert/Update/Delete、response timing 和多步事件成功纳入评测；Interaction Models、GPT-Live 和 Speculative Interaction Agents 则把后台工作、可取消行动和实时介入连接起来。会议、邮件、日历和团队协作产品已经有总结入口，下一步是跨会议追踪、主动准备、协调时间和请求授权。

我们应把 proactive action 做成“候选行动 + 触发理由 + 影响范围 + 过期时间”的可审阅队列，按个人、项目和团队分别授权；先在研究项目、实验和会议任务中测漏提醒成本、打扰成本、接管率和事件状态正确率，不直接将它放进高副作用个人事务。

22. Robotics / Embodied Agent 与 World Model：物理世界的高关注观察位

Google DeepMind Gemini Robotics、NVIDIA GR00T、Figure Helix 和 Physical Intelligence pi0 等公开路线说明视觉语言模型、动作策略、机器人数据和仿真正在合流；ERQA、MADQA 等 benchmark 也开始测 embodied reasoning。它很可能在 2027 H1 产生新闻级发布，但通用产品概率低于软件 agent，受硬件碎片化、现实安全和 sim-to-real 限制。

我们的近期切入不应是重资产造机器人，而是研究 embodiment-agnostic 的任务层：视觉状态摘要、长程计划、技能调用、失败恢复、人工接管和安全停机；复用 GUI agent 的 trace、verifier 和 long-horizon 指标，在公开仿真环境中建立观察位。

23. Companion、Education 与 Multi-agent Economy：值得观察但不主押

长期陪伴、持续辅导和 agent 之间的谈判/竞价会随着 Life-long、Omni、Identity 和 Commerce 发展。PersonaPlex、Moshi、GPT-Live 说明关系连续性和实时人格交互有技术入口；教育产品可以复用长期课程和反馈闭环；agent economy 则需要协商、信誉、预算和反串谋机制。

这些方向有潜在大动作，但目前更可能以消费产品、受控试验、仿真 benchmark 或融资新闻出现，而非稳定的通用产品范式。我们只建立观察指标：记忆删除和纠错、未成年人/心理安全、学习迁移、协商效率、公平性和串谋率；不把“完全自治陪伴”或开放 agent 市场作为近期主线。

这些方向之间会怎样合流

我不认为明年会出现 25 条彼此独立的赛道。更可能的组合是：

             ┌────────────── organization memory ──────────────┐
             │                                                  │
Long-horizon task state ─── Multi-agent organization ─── Self-evolving loop
             │                    │                  │            │
             │                    │                  │            │
Life-long memory ─────── Omni / realtime ───── Computer-use ─────┘
             │                    │                  │
             └────────────── Autonomous research ───┘

具体来说：

• Life-long memory + durable task state 提供跨 session、跨天和跨 worker 的连续性；
• Omni / realtime 提供持续感知和低摩擦交互；
• Proactive agent 决定何时主动介入；
• Computer-use 把计划变成真实行动；
• Autonomous research 是最容易体现高价值的复杂工作场景；
• Multi-agent organization 提供并行探索、验证、交接和最终交付；
• Self-evolving 让系统从长期使用中变强；
• Self-supervised learning 可能成为更远期的能力来源。
• Skills / MCP / Protocol / Identity 把能力、工具和委托变成可迁移的生态；
• Reliability / Permission / Security 让长期行动可以被审计、撤销和追责；
• Vertical / Commerce / Artifact 把 agent 连接到专业交付物和真实经济行为；
• Experience flywheel / Environment 为持续改进提供低成本、可验证的反馈。

我们的建议：关注顺序

第一优先级：形成主叙事

1. Life-long Agent + Long-horizon Execution + Memory：这是最有长期壁垒、也最符合我们已有积累的方向；不能只做个性化 memory。
2. Multi-agent Organization：这是把长期任务变成可扩展工作单元的组织方式，也是 Codex、Claude Code、Cursor 已经验证的产品形态；重点不是 agent 数量，而是分工、交接、验证和交付。
3. Software Factory / Coding Agent：这是最成熟的长程交付样板，能把任务状态、组织、artifact 和可靠性放在同一条链上。
4. Reliability + Permissioned Autonomy + Security：这是其它方向进入真实系统的前置门槛，不应作为最后补丁。
5. Eval Contract + Agent CI / Observability：把 task、environment、harness、tools、judge、budget、trace、artifact、side effect 和人工接管固定下来，避免用无条件排行榜分数驱动路线。

第二优先级：作为高价值场景

6. Autonomous Research + Vertical Professional Agent：以研究、实验复现和专业交付物作为第一批可验证场景。
7. Computer-use / GUI + Enterprise Workflow：作为真实环境和执行层，承载 memory、planning、research、multi-agent 与 evolving 的实验。
8. Agentic Commerce：先做可审阅、可撤销的采购/旅行/表单流程，验证 agent 产生外部经济行为的边界。

第三优先级：作为生态和交互支撑

9. Omni + Proactive + Multimodal Memory：把实时入口和长期任务接到同一条时间线。
10. Skills + MCP + Agent-to-Agent Protocol + Identity：把能力、工具、委托和授权变成可迁移的公共资产。
11. Artifact-native Workspace + Agent Marketplace：以可编辑、可审阅、可回滚的产物承载协作和分发。

第四优先级：作为能力增长与观察位

12. Experience/Data Flywheel + Environment/World Model：建设长期训练、回放和反事实评测的供给侧。
13. Self-evolving + Open-ended Learning：关注跨任务迁移和真实指标，不把自生成分数当成能力增长。
14. Robotics / Embodied Agent：建立任务层和仿真接口观察位，不立即重资产投入。
15. Companion / Education / Multi-agent Economy：保留长期观察，重点看安全、学习迁移、公平和责任机制。

网络恢复后的增量判断（2026-08-20）

补搜材料已归并到 Life-long、Research/Self-evolving、Commerce/Vertical、Robotics/Embodied、UX/Companion/Education、Benchmark/Reliability 和 Open-source Protocol 等 domain 文件。新增的 Claude Code、Codex、A2A、MCP、UCP 和企业平台 release 共同指向一个更窄的近场竞争面：durable task runtime + protocol conformance + observable/permissioned autonomy。它们强化 Life-long、Multi-agent、Software Factory 和 Trust 的优先级，但不证明跨供应商生产互操作或真实采用率。

论文和 benchmark 侧新增的 PATH-Bench、Harness Continual Learning、OneDayAgent、MisKnow-Agent、ActBench、ForestBench、MAP-Graph 和 Demystifying Agent Skills 也把验收口径从“记住/调用/最终答对”推进到路径依赖、harness 遗忘、持续证据核验、行为安全、通信图、来源权限和 skill 选择精度。

因此主报告的下一步不应再扩张热点清单，而应把最小验证集中到：跨 3 次 pause/resume 的状态恢复、A2A/MCP/UCP 的版本锁定与 conformance、Agent CI 的注入/越权/副作用矩阵，以及 planner → worker → verifier → human merge 的贡献与返工记录。市场采用仍缺少独立预算、付费生产、ROI 和真实交易量数据，继续保留为观察项。

新增调研已归并到各 domain wave 文件，补充了 EU/FINRA/FDA/NMPA/CAC 的监管边界、Khanmigo 两年学校 RCT、JAMA 心理健康 RCT、ACL/CHI/IUI 2026 的 meeting/companion/education/导航证据，以及 Continual Harness、PLACEMEM、SPADE、FM-Bench、HarnessEval-W 等 2026 新研究。增量没有把主线扩成更多赛道，反而说明各 domain 的验收必须分开：regulated workflow 看日志/人工监督/风险文件，education 看 engagement/anti-leakage/far-transfer，robotics 看 remote takeover/sim-to-real/TCO，memory/evolving 看 retention/forgetting/security drift。企业 ROI、付费采用、真实交易、机器人维护和 companion 跨年安全仍没有独立公开数字。

最后的判断

我认为 2027 H1 最可能出现的“大动作”不是单个新模型类别，而是一个新的 agent 产品范式：

它记得长期工作历史，能让任务跨小时和跨天持续运行，通过语音、视觉和文本持续交互，会主动准备和执行任务，能够组织多个角色完成专业交付，在权限和证据边界内代表用户行动，并把每次失败转化为下一次更好的行为。

从这个角度看，Life-long、Multi-agent、Omni、Autonomous Research、Software Factory、Vertical Agent、Commerce、Trust 和 Evolving 不是彼此平行的 9 个选题，而是同一个“持续工作的智能体”在连续性、组织、交互、交付、经济行动、可信边界和学习上的展开。

我们的战略重点不应是追逐每一个新名词，而应判断：哪些方向正在从论文 demo 变成长期使用闭环，哪些方向已经有产品信号，哪些方向仍停留在漂亮但脆弱的 benchmark。当前最值得押注的组合是：

Life-long memory + durable task execution 作为核心资产，Software Factory / Autonomous Research / Vertical Workflow 作为高价值场景，Multi-agent Organization 作为工作组织方式，Reliability / Permission / Security 作为可信边界，Omni/Proactive 作为交互入口，Skills/MCP/A2A/Identity 作为生态层，Self-evolving + Experience Flywheel 作为持续增长机制，GUI/Computer-use/Artifact 作为真实行动和交付载体。

证据入口

近期论文、技术报告与产品研究

• Agent 阅读清单
• Duplex Omni Agent 阅读清单
• Memory 阅读清单
• Auto-evolving Reward 阅读清单
• Quest deep research agent
• Apodex-1.0
• FocusMem
• MemLens
• GPT-Live / Interaction Models
• Seed full-duplex
• Speculative Interaction Agents
• ProRe / VAGEN / OS-Themis
• DR Tulu / RLER
• PROEVENT
• Synthetic Computers at Scale
• Watch and Learn / OpenCUA / EvoCUA
• GUI-GENESIS / CUA-Gym

商业产品公开资料（用于架构形态判断）

这些资料只能证明产品对外暴露的工作方式，不能证明其未公开的内部模型拓扑；本报告因此把它们用于判断产品范式，不把实现细节当作事实。

• OpenAI Codex overview — cloud coding tasks、并行任务和产品入口
• OpenAI Codex app — app 中的任务管理、隔离工作区和 review 流程
• Introducing Codex — Codex 的产品定位与云端软件工程任务
• Claude Code subagents — 专门 subagent、上下文与工具边界
• Claude Code agent teams — team lead、teammate、共享任务和协作语义
• Cursor cloud / background agents — 后台 coding agent、远程执行和结果回到分支 / PR 工作流
• MCP specification — 工具、资源和上下文连接协议
• Google A2A — agent 能力发现与跨 agent 委托
• Agentic Commerce Protocol — 商品发现、商户能力和结账流程的 agent 接口
• OWASP Agentic AI threats — agent 身份、工具、记忆和多 agent 风险

扩展调研底稿

• 扩展调研索引
• 论文、benchmark 与会议线索
• 商业产品与生态扫描
• 开放式 horizon scan
• 会议/workshop/challenge 波次
• 市场采用与资本治理波次
• 产品与新闻波次
• 安全、身份与协议波次
• Life-long / long-horizon 波次
• Multi-agent Organization 波次
• Autonomous Research / Self-evolving 波次
• Commerce / Vertical 波次
• Robotics / Embodied 波次
• UX / Companion / Education 波次
• Benchmark / Reliability / Agent CI 波次
• Open-source Protocol / Registry 波次

相关 benchmark

• SWE Marathon、PaperBench、WorkSpaceBench — 长程软件和 workspace 交付
• SkillsBench、MCP Atlas、Toolathlon-Verified、Automation Bench — 能力包与工具生态
• APEX-Agents、Job Bench、HealthBench、PLawBench — 专业 / 垂直工作流
• PresentBench、SpreadsheetBench 2、Vision2Web、Parametric CAD Bench — artifact-native 交付
• ERQA、MADQA — embodied reasoning 观察位

团队项目与内部证据

• DuplexOmniAgent
• ReinforceAgent
• AutoEvolvingRewarding
• Plan Mode Research
• YouTube→GUI 长程 agent
• AgentPlat
• GUI 能力地图与多评测
• YouTube MidTrain 与 AgentNet 互补

证据边界与后续观察

本文中的“高概率”表示公开信号已经跨越论文、产品或 benchmark 中的至少两类，不表示方向已经解决。当前仍需重点观察：

• Life-long memory 是否能在跨 session 真实任务上稳定降低重复劳动；
• 长程任务是否能在暂停、恢复、换模型、换 worker 后继续，而不是只把上下文摘要重新塞回一次调用；
• Omni agent 是否能把后台任务与持续交互真正合并，而不只是低延迟语音问答；
• Autonomous research 是否能从“长报告生成”走到可复核的新发现；
• Self-evolving agent 是否能在未见任务上提升，而不是只提高自家 judge 分数；
• Multi-agent 的收益是否来自组织设计，而不是单纯增加 token 和调用次数；
• Codex / Claude Code / Cursor 的公开多 agent 工作流是否会进一步向跨天任务、自动 review、自动修复和持续 issue queue 扩展；
• Software Factory 是否能从代码 patch 扩展到部署、运维、数据和发布，而不被测试质量限制；
• Skills、MCP 和 A2A 是否会形成可移植、可审计的能力生态，而不是互不兼容的插件集合；
• Agentic commerce 的支付、预算、退款和责任协议是否能把“能购物”变成可控履约；
• 企业和垂直 agent 是否能在人工复核时间、错误升级率和 ROI 上超过通用 agent；
• reliability、security 和 permission 是否成为真实采购门槛，而不是产品发布后的补丁；
• Experience flywheel、环境生成和 open-ended learning 是否能在 held-out 任务上迁移，而不是只提高自生成分数；
• Robotics、companion、education 和 agent economy 是否出现足够强的真实部署证据，值得从观察位升级。

这些问题的答案，决定 2027 H1 的热点会停留在 demo，还是形成新的 agent 产品与研究平台。