Agent 的宣传话术你已经听熟了：全自动、自己规划、替你完成任务。另一边，独立评测给出的成绩单却朴素得多。这篇文章不站队、不贩卖焦虑，只把能查到出处的数字摆到一张桌上，帮你把预期放在该放的位置。
一、三组有出处的数字
第一组，通用能力。2026 年 7 月，阿里巴巴团队在国际 AI 顶会获最佳资源论文奖的评测工作里，对 14 个主流大模型和 9 个 Agent 框架做了综合测试：最强的 Agent 系统准确率约 45%，而人类专家在同一批任务上约 95%。这不是「Agent 不行」，而是「离全自动还差得远」。
第二组，任务越完整，数字越低。明略科技发布的 Web Agent 基准 WebRetriever 里，主流 Web Agent 在纯导航任务上最高约 45% 成功率，到了端到端完整任务，最好的约 20%，多数在 15% 以下。换句话说：让它「打开某个页面」还行，让它「把这件事从头办完」，成功率直接砍半再砍半。
第三组，企业侧在涨，但没那么快。公开行业口径显示，国内企业 Agent 采用率从 2024 年底的 17.3%，到 2025 年中的 25.4%，再到 2026 年中的 40.3%——涨是真的，泡沫也是真的，两条线同时成立。
二、为什么各家的数字差这么远
看懂差距，比记住任何一个数字都有用。数字打架通常出在三个地方。
任务域收窄了多少。 DeepSeek 10 月底公布的 Super-agent 原型数据很亮眼：任务完成 p95 从 29.5 分钟降到 15.7 分钟。但看一眼实验设定——那是「一个 GitHub 仓库内的主动编码任务」，任务域收得极窄。收窄本身不是坏事（工程上就该先窄后宽），但拿收窄域的数字去想象通用能力，就是自己给自己造预期差。站内的解读文把这个边界写得很清楚。
谁测的。 游族网络 2026 年三季报口径里说，AI 已覆盖研发、发行等核心岗位，游戏测试用例 70% 实现自动生成。这是公司自报口径——不是说不真，而是自报数字天然只汇报亮点，独立评测才会把失败案例也放进分母。两种数字都有用，但读法不同。
口径是成功率还是效率提升。「效率提升 3 到 5 倍」和「成功率 45%」是完全不同的两件事：前者是干得快不快，后者是干得成不成。厂商新闻偏爱报前者，用户吃亏都在后者上。
三、三个问题，套住任何一个 Agent 数字
以后再看到「某 Agent 完成率 X%」，先问三句：
- 这个 X% 是在什么任务上测的？任务越具体，数字越好看，也越不能外推。
- 是厂商自报还是独立评测？自报看方向，独立看水位。
- 报的是成功率还是效率？替你办事的场景，只有成功率跟你有关。
这套问法与站内两篇旧文是同一件事的两面：选平台看《Agent 平台怎么选：先看五个判据》，交付控制权前看《想让 AI 替你操作电脑？先分清开源本体、第三方封装和一键安装器》——判断顺序都是先限定边界，再谈能力。
四、普通人该把预期放在哪
按站内一贯的风险梯：读、整理、生成是前三步，Agent 大显身手又不至于翻车的位置，主要在前三级。真正要动你账号、动你文件的第四级，先按上文三问验收。
成本这条腿同样有参照：站内 MiniMax M3.1 Flash 实测：Agent 任务成本怎么降 70% 跑过一遍——收窄场景里 Agent 的单任务成本确实在快速下降。能力涨得慢、成本降得快，这正是「现在值得学、但别押全自动」的窗口期逻辑。
一句话收束：45% 不是坏消息，它是「Agent 可以帮你，但不能替你」的量化表述。把预期放对，这个工具就趁手；把预期放错，它就变成一个你管不住的下属。
常见问答
Q: 都说 Agent 会取代一大批岗位，45% 的成功率支持这个说法吗？
不支持「取代」，支持「分流」。约 45% 的准确率意味着大量任务仍需要人来核验、收尾和担责，这正是「会用 Agent 的人」和「不会用的人」拉开差距的地方——前者把 55% 的兜底活儿干得又快又稳。焦虑叙事的解药不是乐观，是账本。
Q: 厂商宣传里的「效率提升数倍」是假的吗？
不是假的，是不完整。效率提升通常在收窄任务域、理想输入下测得，真实使用里你要自己处理失败重试、结果核验和异常兜底，这些时间都不进那张报表。把「效率提升」当「可以放手」的证据，才是最常见的误读。
Q: 那我现在该学 Agent 吗？
该学，且现在学成本很低。从风险梯的前三级入手：让它读资料、整理信息、生成初稿，你保留判断和签字的位置。第四级「替你执行」的能力每季度都在变，等你真需要时再按三个问题验收当时的版本不迟。
评论