自主体三曲线：能力跑赢成本信任

2026年自主智能体（Autonomous Agent）的落地真相，藏在三条速率完全不同的曲线里。第一条是能力曲线——评测机构 METR 在 2026 年 1 月发布的 Time Horizon 1.1 显示，前沿模型"自主完成任务的时长中位数"自 2019 年起每 7 个月翻倍，而 2024 年之后加速到每 4 个月翻倍。第二条是成本曲线——智能体工作负载的 token 消耗是普通聊天的 10–100 倍，某金融科技团队两个 LangChain 智能体陷入死循环 11 天，单笔账单 47,000 美元，而该管道原本月预算不足 200 美元。第三条是信任曲线——Anthropic 对数百万次 Claude Code 会话的实证研究发现，新用户（少于 50 次会话）只有约 20% 的时间授予"全自动批准"，要积累到第 750 次会话才会突破 40%。能力指数级狂奔，成本超线性增长，信任却只能线性累积——真正能落地的自主性，由三者取最小值决定。本文以这三条曲线为主轴，拆解自主智能体从"能跑"到"能养"的卡点。

三曲线总览

一、能力曲线：每四个月翻倍的指数真相

维度	能力曲线（时长）	成本曲线（燃烧）	信任曲线（授权）
衡量主体	METR HCAST / Time Horizon	token + 运行时费率	Anthropic auto-approve 会话分布
增速	每 4 个月翻倍（2024 起）	单任务 10–100× 聊天	线性累积，750 会话才破 40%
前沿值（2026）	Opus 4.5 约 14 小时（50% 阈值）	$0.08/会话小时 + token	老用户 >40% 全自动批准
实用值（80% 阈值）	约 1 小时量级	96% 企业超预算	多数生产系统仍需逐步确认
主要风险	中位数≠保证	死循环 / 无美元上限	授权与能力时间尺度错配
变现抓手	时长基准训练营	成本治理（FinOps）产品	人机协作梯度咨询

METR 定义"任务完成时长前沿（time horizon）"为：智能体在人类专家同样时间内能完成 50% 任务的任务时长。它衡量的不是"答得对不对"，而是"能无人值守地连续干多久"。Time Horizon 1.1 报告给出的关键事实是：自 2019 年起这条曲线每约 7 个月翻倍一次；进入 2024 年后加速到每 4 个月翻倍。

这条加速曲线是自主智能体区别于普通助手的根本。一个 2023 年只能干 8 分钟的任务，到 2026 年初已经可以交给 Opus 4.5 连续自主处理约 14 小时（即标题所谓"14-Hour Frontiers"）。但工程团队最容易犯的错误是把"前沿"当成"可用"。METR 强调 50% 阈值是统计中位数——意味着在正好这个时长上，模型有一半概率失败。把任务卡在 50% 阈值去交付，等于掷硬币。真正进入生产设计的，应当是远低于中位的可靠工作窗。

变现角度看，"时长基准"本身就是一个清晰的产品叙事：训练营可以围绕"如何把一个 14 小时的人类任务，切成三个 50% 阈值以内的子任务交给智能体"展开，这正是 METR 给出的工程化结论。

二、80% 阈值断崖：14 小时前沿下的 1 小时天花板

50% 阈值好看，80% 阈值才决定生产可用边界。同一份 METR 数据里，Claude Opus 4.5 的 80% 时长前沿骤降到约 1 小时 3 分钟——一个数量级的断崖。回看 2024 至 2025 年初，前沿的 50% 阈值大约是 50 分钟到 1 小时，而当时的 80% 阈值仅在 10–15 分钟区间。

这条断崖解释了一个普遍现象：演示惊艳、生产翻车。POC 跑在精心策展的数据集上，时长落在 50% 区间，效果动人；一旦换成两小时的真实研究任务，时长越过 80% 阈值，可靠率坍塌。METR 进一步给出多阶段管道的乘方定律：一个 5 阶段管道要做到端到端可靠，每阶段需达到约 98% 的单步可靠率；一个 60 分钟的人类任务拆成五个 12 分钟的子智能体，前沿模型恰好够得着。

# horizon-aware task splitter: keep each subtask under the 80% reliability horizon
def split_by_reliability(human_minutes, horizon_80, horizon_50, margin=0.6):
    # design window = 60% of 80%-horizon to stay well inside reliable range
    window = horizon_80 * margin
    n = max(1, int(human_minutes // window) + 1)
    per = human_minutes / n
    assert per <= horizon_50, "subtask still exceeds 50%-horizon, redesign"
    return [{"stage": i+1, "budget_min": per} for i in range(n)]

# e.g. human task=60min, horizon_80=63min, horizon_50=840min -> 1 stage, safe

这条断崖的工程含义是：生产环境的有效自主时长，比新闻标题低一个数量级。任何"自主智能体实战"方案，第一步都该按 80% 阈值而非 50% 阈值来切任务。

三、Token 消耗断层：47,000 美元的循环税

能力曲线向上跑，成本曲线以更快斜率向上跑。一次单轮聊天大约消耗 500–1,000 token，带历史的客服对话约 2,000–5,000 token/轮——这是 2025 年企业成本模型的基准。但智能体工作负载是另一个量级：每一次推理（reasoning）token 都是输出 token，也就是单价最贵的那一类；一次需要 20 次工具调用的任务，消耗的远不止单次调用的 20 倍，因为上下文在每一步单调累积。

更隐蔽的是检索开销：过度配置检索参数的团队发现，其检索成本可达推理成本的 3:1。叠加效应是 AnalyticsWeek 估算的"2025 年财富 500 强约 4 亿美元未预算 AI 云支出泄漏"，以及一项调查中 96% 的企业反馈 AI 成本超出初始预测。最极端的案例是那家金融科技公司：两个智能体陷入无限对话循环，11 天无人察觉，最终账单 47,000 美元。

# dollar-denominated circuit breaker: kill runaway loops before they bankrupt you
class DollarBudget:
    def __init__(self, cap_usd, price_in, price_out):
        self.cap, self.pin, self.pout = cap_usd, price_in, price_out
        self.spent = 0.0
    def charge(self, in_tok, out_tok):
        self.spent += in_tok/1e6*self.pin + out_tok/1e6*self.pout
        if self.spent >= self.cap:
            raise BudgetExceeded(f"hit ${self.spent:.2f} cap; aborting loop")

核心结论：自主智能体的"循环税"不是 bug，是部署自主体却沿用聊天成本模型的必然结果。

四、$0.08 会话小时：运行时计费的隐藏列

除了 token，2026 年还多出一条全新的成本列：运行时费。Anthropic 托管智能体（Managed Agents）按 0.08 美元/会话小时收费，叠加在标准 token 费之上，按毫秒计费、智能体等待时空闲免费。实测中这笔运行时费约占整个会话账单的 10–15%，一笔样本里约 11%。

对比之下，OpenAI 把 Agents SDK 开源，运行时层本身免费，但沙箱算力由用户自付；GitHub Copilot 把成本打包进订阅。同一个长程任务，跑到不同平台上的"隐藏数字"差异巨大。对采购团队而言，运行时费是一个他们预算表里还没有的科目——长程自主任务跑满几小时，这笔按小时跳表的费用会悄悄累积成可观开销。

这条曲线的启示是：自主时长的经济性，不能只看 token 单价。模型越能长时间自主运行，运行时费、沙箱算力、空闲等待这些"陪伴成本"占比越高。训练营或产品若主打"长程自主"，必须把运行时计费模型讲清楚，否则用户会在第二张账单上踩坑。

五、750 会话信任棘轮：auto-approve 的双刃

能力指数级增长，信任却线性爬升。Anthropic 2026 年初的研究测量了数百万次 Claude Code 互动，最刺眼的发现是一个单点：到第 750 次会话，用户授予智能体"全自动批准"的时间比例超过 40%；而新用户（少于 50 次会话）只有约 20%。

这揭示三件事。第一，自主性的真正限制因素不是模型能力，而是人类信任需要时间累积——这条棘轮是渐进的，不存在某个能力阈值之后突然放开。第二，授权与能力存在时间尺度错配：模型每 4 个月翻倍，用户信任要数百次会话才爬升 20 个百分点，二者剪刀差越来越大。第三，研究还发现老用户不仅 auto-approve 更多，打断（interrupt）也更频繁——真正的自主不是放任，而是"高授权 + 高可中断"，能随时纠偏的自主才是可用的自主。

// trust-aware gate: ramp auto-approve with accumulated safe sessions
function gate(sessionCount: number, riskScore: number) {
  const trust = Math.min(0.5, 0.2 + (sessionCount / 750) * 0.2); // 20% -> 40%
  return riskScore < trust ? "auto" : "confirm"; // risky ops still hit a human
}

对产品设计的含义：与其追求"一步到位的全自动"，不如设计一条信任爬坡曲线——按会话累积逐步放开可自主操作的半径，高风险操作永远保留人工确认闸。

六、美元预算上限缺失：框架治理黑洞

把循环税和运行时费摆在一起，最致命的工程现实浮出水面：截至 2026 年，没有主流智能体框架自带以美元计价的预算上限。这意味着 47,000 美元的死循环，团队只能事后发现。LangChain、CrewAI、AutoGen、OpenAI Agents SDK 这类框架提供的是编排能力，不是财务护栏。

生产团队正在收敛出的治理模式有三层。第一层是硬压缩（token filtering）与软压缩（embedding compression）：研究社区已明确区分这两种上下文压缩路径，用来对抗上下文单调累积带来的 token 膨胀。第二层是模型路由（model routing）：把简单步骤交给便宜模型，仅在关键推理处调用前沿模型。第三层是缓存栈（caching）：对重复检索和重复推理做命中。三者之外，必须再包一层独立于框架的、以美元为单位的熔断器（见上文 DollarBudget），它要切断框架内部循环，因为它比任何框架自带的 token 计数都更接近"老板关心的事"。

这条治理黑洞本身就是变现机会：一个"给任意智能体框架套美元护栏"的中间件，切中的正是 96% 超预算企业的痛点。

七、三曲线取最小：部署自主性的真实公式

把三条曲线叠在一起，2026 年自主智能体的部署真相可以浓缩成一个不等式：

可部署自主时长 ≈ min( 能力时长, 成本预算时长, 信任时长 )

能力时长（METR 50%/80% horizon）每 4 个月翻倍，跑在最前；成本预算时长由 token 单价、运行时费、是否有美元上限决定，超线性增长；信任时长由会话累积决定，线性爬坡。三者取最小意味着：无论模型多强，真正能无人值守交给智能体的窗口，永远被成本和信任两条慢曲线卡住。这正是"演示惊艳、生产翻车"的数学根源——POC 只跑在能力曲线上，生产却要同时穿过成本和信任两道闸。

graph LR
    A[原始任务: 人类14h] --> B{切分到三曲线交集}
    B -->|能力窗: 80%阈值约1h| C[子任务≤60min]
    B -->|成本窗: 美元熔断| D[每步≤预算X美元]
    B -->|信任窗: auto-approve半径| E[高风险留人工确认]
    C --> F[(可部署自主窗口)]
    D --> F
    E --> F
    F --> G[生产可靠交付]
    style B fill:#fde68a
    style F fill:#bbf7d0

八、从"能跑"到"能养"：长程自治的三道闸

把上述分析收口为可执行的三道闸门。第一道是任务闸：按 80% 而非 50% 阈值切分，每段子任务落在可靠窗口内，多阶段管道按 98% 单步可靠率反推最大阶段数。第二道是预算闸：任何进入生产的智能体，必须套一层框架无关的美元熔断器，叠加模型路由、上下文压缩、缓存三件套，把超线性 token 增长压回预算内。第三道是信任闸：用会话累积逐步放开 auto-approve 半径，高风险操作永不自动，老用户的"高授权+高打断"才是自主的正确形态。

三道闸都到位，自主智能体才从"能跑一次"升级为"能长期养着"。这才是 2026 年自主智能体实战的真正分水岭——决定胜负的已经不是谁的模型更强，而是谁先把成本曲线和信任曲线拉到和能力曲线同一个量级。

推荐方案

面向研究/原型团队：盯紧 METR 80% 阈值而非 50% 阈值做任务设计，把"时长前沿"当作路线图输入，但生产任务一律留 6 倍以上安全余量。优先选 OpenAI Agents SDK 这类运行时免费的栈，把算力成本握在自己手里。

面向企业生产团队：第一优先级不是换更强的模型，而是部署美元熔断中间件 + 模型路由 + 缓存栈，先堵住 4 亿美元级别的成本泄漏；同时设计信任爬坡策略，按会话累积放开 auto-approve。这一组合本身就是可包装的"智能体 FinOps"产品。

面向内容/训练营创作者："三曲线取最小"是一个完整、可量化、有真实数据支撑的叙事框架，远比"哪个框架最强"更有壁垒。可围绕 METR 时长基准、Anthropic 信任曲线、token 经济学三个数据源，构建从任务切分到预算治理的完整训练营。