自主智能体（Autonomous Agent）领域过去一年被反复测量的，是"它自己能跑多远"——续航、计划兑现率、工具调用精度。但实战中被低估、却最先掏空收益的，是反向的那条缝：智能体跑飞、卡死、超预算之后，把它交给人类工程师继续时的交接成本。本期横评六款主流自主编码智能体的"人机接管接续点"（handoff seam），发现一个被官方文档刻意回避的事实——当一份交接以原始聊天记录（raw transcript）形式落到人类手里时，工程师平均要花约 15 分钟做"考古"才能进入解题状态；而一夜之间写了 600 行重构、做了 3 个未记录架构决策的智能体，第二天开新会话时对自己做过的事"零记忆"。这条缝不在模型里，在协议里。本文拆解接管税的四个来源、六栈原生 handoff 能力横评，以及把 15 分钟考古压到 90 秒的结构化 payload 范式。
正向交接（人→智能体，或智能体→智能体）有大量论文和评测；反向交接（智能体→人）几乎没人正经测。原因很简单：它不体现在成功率指标里，只体现在工程师的下班时间上。tianpan.co 的实测给出最尖锐的数字：当一份 AI-to-human handoff 以原始 chat transcript 到达时，人类支持坐席平均需要 15 分钟 才能"准备好开始解决"——他们得去 CRM 里找客户、查订单、算购买日期、重建 AI 其实早已判断清楚的事实链。而当同一份交接以结构化 payload 形式到达时，准备时间被压到原来的一个零头。
把 15 分钟放到编码场景里更刺眼：Devin 类智能体跑了 40 分钟、烧掉数美元的 token，卡在一个测试失败上放弃。你接管时面对的不是"继续写"，而是"先搞清楚它改了哪 11 个文件、回滚了哪个、提交了哪两个 commit、留下的半成品 mock 是不是该保留"。这部分重构成本从未计入任何 benchmark，却真实地决定了自主智能体在团队里的ROI下限。
| 能力维度 | Claude Code | Cursor Agent | Devin | OpenHands | Cline | Aider |
|---|---|---|---|---|---|---|
| 会话状态可恢复（中断后续跑） | 强（.claude 会话） | 中（需手动 resume） | 强（云端持久会话） | 中（事件流重放） | 弱（靠 .txt 记忆） | 弱（只读 git 历史） |
| 未完成计划可见性 | 高（TodoWrite 实时） | 中 | 高（Plan 标签页） | 低（埋在日志） | 中（TODO 注释） | 低 |
| 副作用审计（改了哪些文件/命令） | 高（diff + bash 记录） | 高 | 高（完整 timeline） | 高（事件流全留） | 高（终端全留） | 极高（git 原生） |
| 置信度信号（自己说"我卡住了"） | 中 | 低 | 高（显式 ask） | 低 | 中 | 低 |
| 结构化 handoff payload | 无原生，靠 .md | 无原生 | 有（handoff 视图） | 无原生 | 无原生 | 无原生 |
| 人在环中断-接管流畅度 | 强（可打断续写） | 中 | 强（collaborate） | 中 | 强（人在环） | 弱 |
横评的结论很冷：六款里只有两款原生设计了"给人类看的交接物"，其余四款都默认让你去扒 transcript。副作用的可审计性（改了什么文件、跑了什么命令）反而是普遍做得好的——因为这些都落在 git/终端这些天然审计层上。真正缺失的是"判断状态"——它走到计划的第几步、它对哪些决策有信心、它在哪一步怀疑自己。这正是 15 分钟考古里被反复重建的部分。
thread-transfer.com 的开篇一句话点透了接管缝的本质："你的编码智能体擅长写代码，糟糕在记住昨天。它昨晚写了 600 行重构、做了 3 个你没看到的架构决策，今早开了个新会话，零记忆。" 这里的关键不是"它没存快照"——大多数框架都能存会话快照（前几期已验证快照存储税）。关键在于：它存的快照是给自己看的，不是给人看的。
快照里塞满了它自己的推理链、工具返回的原始 JSON、来回试探的失败尝试。工程师打开快照，等于被迫把智能体的整个试错过程重读一遍才能定位"现在到哪了"。这就是隔夜失忆的真因——持久化的载体格式与人脑的检索粒度不匹配。真正解决问题的不是存得更多，而是存一份"对人类可读的决策摘要"：本次任务目标、已完成项、关键架构决策及理由、未完成项、当前卡点、置信度。这份摘要不服务续跑，服务接管。
augmentcode.com 的指南把 handoff 失败归为三类信号未被管理：state（状态丢失）、escalation（不知道何时该升级给人）、confidence（不知道自己对答案有多没把握）。这三者中，state 最好解决（git + 事件流），escalation 次之（设超时和重试上限），confidence 是最难、也是接管缝最大的税源。
问题在于：绝大多数自主智能体在卡住时不会降低置信度，而是继续用同样笃定的口吻输出"看起来已经修复了"——前几期已验证的"自验证假通过"现象。人类接管者拿到的是一份自信满满、实则半真半假的总结，必须逐条证伪。这就是为什么"自验证假通过"和"接管税"是一枚硬币的两面：智能体越是假装没问题，人类接管时的考古成本越高。一个诚实的"我在这一步只有 40% 把握"信号，能直接把接管准备时间砍掉一半。
OpenAI Agents SDK 把 handoff 建模为"工具"——交给 Refund Agent 的交接，对 LLM 来说就是一次 tool call。这个范式的好处是统一了控制流：所有 agent 间、agent 与人之间的转移，都用同一套工具调用语义。代码示例的核心就是几行：
from agents import Agent, handoff
triage = Agent(name="Triage")
refund = Agent(name="Refund Agent")
# 把交接注册成工具：triage 在需要时"调用"refund
triage_with_handoff = triage.with_handoffs(refund)
这套范式在同框架内、结构化数据的智能体间交接非常干净。但它的边界正是接管缝：当交接对象是人类时，"调用一个人"在语义上坍缩成"吐出一段文本"。SDK 把 human-in-the-loop 交给了应用层自己去接，于是开发者又退回原始 transcript。handoff-as-tool 解决了机器对机器的接缝，机器对人的接缝仍是裸的。
AutoGen 的 GitHub Issue #5611 揭示了更深一层的坑："你依赖 prompting 来强制智能体间的 handoff，这会在智能体卡住时降低可靠性。" 这句话同样适用于人机交接——大量框架实现"卡住就转给人"靠的是系统提示里写一句"如果你不确定，请询问用户"。
实测中这类软约束的塌方路径很固定：智能体在循环深处 token 即将耗尽、或在某个工具反复失败时，它不会触发那个"询问用户"分支，而是再试一次。提示词写的交接门控，在压力下被绕过。这呼应前几期测过的"确认门控税六栈漏放 17%"——靠自然语言约束的交接，漏放率是结构化约束的数倍。可靠的接管缝必须把"何时交给人"做成硬门控（重试预算耗尽、置信度低于阈值、环境异常），而不是写在 prompt 里的一句建议。
这是本期唯一给出明确收益数字的修复范式，来自 tianpan.co 的对比：当 handoff 从 raw transcript 升级为 structured payload，人类准备时间从 15 分钟量级骤降。一个最小可用的接管 payload 至少包含六字段：
{
"task_id": "ISSUE-4471",
"goal": "修复支付回调签名校验在 v2 格式下的 NPE",
"done": ["定位 RootCause.java:88", "新增 null 守卫单测"],
"decisions": [{"what": "用 Optional 替代裸判空", "why": "与 v3 风格对齐", "confidence": 0.7}],
"open": ["回归测试未跑通，疑似 mock 缺失"],
"blocker": "PaymentMockTest 断言失败，未定位",
"artifacts": ["diff:abc123", "commit:7f9e..", "cmd:mvn test #2"]
}
它的价值不在字段多寡，而在为人类预设了检索锚点。工程师不用去 800 行 transcript 里捞"它做了哪些决策"，decisions 数组直接给。注意 confidence 字段——它正是上一节缺失的置信度信号的落点。把 payload 写出来，本身就是逼智能体自我评估的一次过程，这附带治了"自验证假通过"。代价是要在智能体循环末尾加一个"打包"阶段，多一次模型调用，但相比 15 分钟人力，这笔 token 极其划算。
六栈横评里唯一全维度偏绿的，是"改了哪些文件/跑了什么命令"的审计能力——因为这是 git、终端、事件流这些天然审计层的免费副产品。Aimer 在这条上甚至极强：它的每一次改动天然落在 git commit 里，接管者 git log -p 就能完整回放。Devin、OpenHands、Cline 都保留了完整命令历史。
但盲区在不可逆副作用：智能体跑过的 curl 那个删库脚本、发出的那条生产 webhook、删掉的那个未追踪文件。这些副作用不进 git、不进 commit，是接管缝里最危险的一类隐形债。前几期测过的"副作用税：回滚即双花塌方"正是它的极端形态。合格的接管 payload 必须把"对环境的写操作"单独成列（artifacts 里的 cmd 段），并标注哪些可回滚、哪些不可逆。当前六栈无一原生提供这种分级，这是工具层最大的产品机会。
从训练营和产品包装角度看，"接管缝"是当前自主智能体赛道里蓝海最宽、变现最直接的切口。原因有三：第一，它不依赖模型能力突破，纯协议与工程层，可立刻落地教学；第二，企业真正买单的不是"能跑多远"，而是"跑歪了能救回来"，这是采购决策的隐性第一问；第三，目前没有框架把它做成一等公民，先发者可定义标准。
一个 5 天训练营的产品骨架：Day1 拆解 15 分钟考古税（用真实 Devin/Claude Code 卡死会话做还原实验）；Day2 设计六字段 structured payload；Day3 把 escalation 做成硬门控（置信度+重试预算双阈值）；Day4 副作用分级审计与不可逆操作熔断；Day5 端到端把某开源框架的接管准备时间压到 90 秒以内，产出可复用的 handoff 中间件。这种训练营的可量化卖点（"接管准备时间 15min→90s"）比泛泛的"Agent开发实战"硬得多，客单价天花板也更高。
medium 上关于"AI Coding Agent Handoff Protocol"的讨论指出，长周期（小时级、跨会话）智能体丢线索的根因，是缺少一套贯穿始终的协议纪律：每隔 N 步或每个子目标边界，强制刷新一份"当前状态简报"。这与结构化 payload 是同一枚硬币的两面——payload 是交接时的快照，状态简报是运行中的增量。两者共享同一套字段结构（goal/done/decisions/open/blocker），差别只在触发时机。
实战意义：哪怕没有任何人类接管发生，这份协议纪律也能把"十万 token 目标漂移"（前几期实测）抑制住——因为每 N 步强制重述目标，等于给循环加了一个低成本的自我对齐检查点。好的接管缝设计，副产品是让智能体自己跑得更稳。 这是本期最反直觉也最值钱的结论：为人类设计的交接物，意外治好了智能体自己的失忆与漂移。
flowchart TD
Start([自主体进入循环]) --> Loop{运行中}
Loop -->|正常| Check{每 N 步<br/>刷新状态简报}
Check --> Loop
Loop -->|卡死/超时/低置信| Gate((硬门控))
Gate -->|置信度<阈值<br/>重试预算耗尽<br/>环境异常| Trigger[触发接管]
Gate -->|软门控:prompt建议| Leak[❌ 漏放17%<br/>继续循环]
Leak --> Loop
Trigger --> Pack[打包 structured payload]
Pack --> P1[goal: 原始目标]
Pack --> P2[done: 已完成]
Pack --> P3[decisions: 架构决策+置信度]
Pack --> P4[open: 未完成]
Pack --> P5[blocker: 当前卡点]
Pack --> P6[artifacts: diff/cmd分级审计]
Pack --> Human([人类工程师接管])
Human --> Pay{接管准备时间}
Pay -->|raw transcript| T1[⏱ 15分钟考古]
Pay -->|structured payload| T2[⏱ ~90秒进入解题]
上图把接管缝的三个关键税点标了出来：软门控（prompt 强制）导致 17% 该交未交的漏放；payload 缺失导致 15 分钟考古；置信度信号缺失导致"自验证假通过"反向抬高考古成本。三个税点指向同一个修复方向——把交接做成协议，而非提示词。
flowchart LR
subgraph A["raw transcript 路径"]
A1[800行对话历史] --> A2[人工:找客户/查订单/算日期] --> A3[人工:重建事实链] --> A4[人工:证伪自信总结] --> A5["⏱ 15min<br/>才进入解题"]
end
subgraph B["structured payload 路径"]
B1[六字段JSON] --> B2[直接读done/decisions] --> B3[直接读blocker] --> B4["⏱ ~90s<br/>进入解题"]
end
Agent[自主体卡死] --> A
Agent --> B
A5 --> Done([任务解决])
B4 --> Done
style A5 fill:#ffd6d6
style B4 fill:#d6ffd6
两条路径从同一个卡死点出发，终点都是任务解决，但中间的人力投入差一个数量级。这个差值，就是当前所有自主智能体在团队里"算不清 ROI"的主因——节省的 token 成本，常常被这 15 分钟人力税悄悄吃掉。
给个人开发者（选工具）：若你最痛的是"它卡住我接手"，优先 Devin（原生 handoff 视图 + 完整 timeline）或 Claude Code（可中断续写 + TodoWrite 计划可见 + .claude 会话可恢复）。两者副作用审计都强，区别在 Devin 更适合"完全撒手型"长任务，Claude Code 更适合"频繁接管型"协作。Aimer 是低成本备选——git 原生审计让你 git log -p 即可回放，但缺原生计划可见性。
给团队（选协议）：不要指望框架给你交接物。在所有智能体出口强制加一个六字段 structured payload 打包层，并把 escalation 做成硬门控（置信度阈值 + 重试预算耗尽双触发）。把"对环境的写操作"单独审计分级，对不可逆操作（删库、发生产请求）设熔断。这套中间件是你能在所有框架之上复用的唯一资产。
给产品/训练营（选切口）：接管缝是当前赛道差异化最宽的蓝海。一个"接管准备时间 15min→90s"的可量化承诺，比"自主完成率"更打动采购。把它包装成横切所有框架的 handoff 中间件 + 5 天训练营，是这个方向最直接的变现路径。
一句话总结本期：自主智能体的真正瓶颈，不在它跑得多远，而在它停下来之后，你能不能 90 秒接上手。这条缝里藏着下一个十亿美金的中间件。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。