“人人都好像觉得模型已经准备好取代人类工作了。我们通过创建一家公司（电商），让9个模型担任客服，处理150个复杂度递增的工单和请求，来检验这一点。结论：模型没有常识，模型还远未准备好。”详细： surgehq.ai/blog/rl-envs-real-world2025年被称为“智能代理元年”，人工智能正从聊天界面走向真实世界的应用。然而，尽管技术取得进展，真正具备通用智能的AI代理仍可能距离我们十年之遥。核心问题在于：这些AI能完成多少具有经济价值的现实任务？为此，模型的训练与评估已从单轮对话评分转向在强化学习（RL）环境中测试多步骤、工具调用的真实任务。Surge AI做了个测试。在名为Corecraft的虚拟环境中，九个AI模型被测试执行150项任务，结果令人警醒：即便是GPT-5和Claude Sonnet 4.5，也失败了超过40%的代理任务。失败主因并非工具使用错误，而是缺乏连贯的上下文理解、规划能力和常识推理。例如，一些模型虽制定了正确计划，却在执行中遗忘关键信息；GPT-5在处理客户升级显卡请求时，误将“我的账户名为Sarah Kim”理解为修改指令，而非识别身份，导致未能获取个性化定价，暴露出其在语境理解和常识推理上的严重缺陷。研究发现，AI需掌握四大基础能力：记忆一致性、任务规划、工具协调与上下文锚定，才能在开放环境中稳定运作。然而，这些能力尚不意味着AI已接近人类水平。真正的挑战在于“常识推理”——这一能力目前难以明确定义，也无法通过简单训练获得，可能是大规模现实训练的涌现特性。因此，2025年的意义不在于实现了通用智能代理，而在于我们首次拥有了足够可靠的代理系统，可以开始系统分析其推理缺陷。未来的关键任务是训练和理解那些正快速逼近人类智能的AI系统，而何时能真正弥合差距，仍是未知之数。
