AI智能体早已准备就绪，只是我们还不敢信任它

开篇

订阅者朋友，最近应该没有哪天不听到“AI智能体”这个词吧。它能代替我们写代码、分类邮件，甚至执行金融交易。但实际上，衡量人们究竟把多少工作交给AI智能体的研究却几乎没有。

Anthropic在2026年2月发布了一项研究，分析了其编程智能体Claude Code以及公开API上数百万次人机交互记录。标题是《Measuring AI Agent Autonomy in Practice》，直译过来就是“在实践中测量AI智能体的自主性”。

这项研究有趣的地方在于，它衡量的不是AI“变得有多聪明”，而是人们实际上把多少工作交给了它。而结果相当耐人寻味。今天我们就以这项研究为核心，聊聊AI智能体时代真正的瓶颈到底在哪里。

45分钟的意义：自主作业时间翻了一倍

先来看Anthropic研究的核心数据。研究测量了Claude Code中AI在没有人类介入的情况下独立工作的时长，也就是单轮持续时间。

大多数轮次都很短，中位数约为45秒，这个数字几个月来几乎没有变化。因为新用户不断涌入，整体平均值一直保持稳定。

真正有意思的是尾部数据。最长的那些会话，也就是排名前0.1%的轮次持续时间，从2025年10月到2026年1月，从不到25分钟增长到45分钟以上，几乎翻了一倍。而这只用了三个月。

这里值得注意的是，**这种增长与新模型的发布无关，而是平缓推进的。**如果自主性纯粹是模型性能的函数，那每次新模型发布时都应该出现急剧跳跃。但图表呈现的却是一条平滑的上升曲线。这说明重度用户随着时间推移越来越信任这个工具，也开始把越来越有野心的任务交给它。

Anthropic把这种现象称为**“部署超限（deployment overhang）”**。意思是，模型实际能够承受的自主程度，远远大于现实中实际展现出来的自主程度。

信任是积累出来的：经验改变了监督方式

用户赋予智能体自主权的模式同样有趣。

Claude Code的新用户（少于50个会话）只有约20%的作业使用“自动批准”¹​模式。但拥有750个以上会话的资深用户，这一比例上升到40%以上。随着经验积累，人们逐渐把更多自主决定权交给了AI。

但这里出现了一个看似矛盾的数据。资深用户在更多使用自动批准的同时，中途打断（interrupt）AI作业的比例也更高。新用户每轮打断率约为5%，而资深用户则高达约9%。

这看起来像是矛盾，但实际上反映的是监督策略的转变。新用户采用的是逐步逐一批准的“事前审批”方式，因此中途打断的情况本来就不多。而资深用户则转向“监控”方式：让AI自主运行，只在出问题时才介入。打断次数的增加不是放任不管，恰恰证明了主动监视的存在。

这种模式和职场中管理新员工与老员工的方式如出一辙。对新人，我们会逐步确认每一个环节；而对已经建立信任的团队成员，我们会说“你自己看着办，卡住了再说”。人类与AI的关系中，同样的结构也在发挥作用。

反倒是AI先举手：懂得自我暂停的智能体

不只是人类在监督智能体，Claude自己也会停下来。

在最复杂的任务中，Claude Code向用户请求确认的比例，是用户主动打断Claude比例的两倍以上。以最高难度的任务为基准，Claude主动提问的比例为16.4%，而人类打断的比例为7.1%。

分析Claude自行暂停的原因，可以看出以下模式：

• 为了给出可选方法（35%）

• 为了收集诊断信息或测试结果（21%）

• 为了澄清模糊或不完整的请求（13%）

• 为了请求认证信息或访问权限（12%）

• 为了在行动前获得批准（11%） 相对地，人类打断Claude的原因是：

• 提供缺失的技术背景或修正内容（32%）

• Claude动作太慢或过度作业（17%）

• 已经获得足够的帮助，可以独自继续（7%） 这是一项重要的安全属性。它表明，智能体识别自身不确定性、并在没有把握时主动踩下刹车的能力，与外部安全装置同等重要。Anthropic正在训练过程中有意强化这一特性，并建议其他模型开发公司也采取同样的做法。

编程之外的世界：智能体正走向何方

从目前AI智能体使用的整体格局来看，绝大部分集中在软件工程领域。**以Anthropic公开API为准，全部工具调用中约有49.7%与编程相关。**其次依次是后台自动化（9.1%）、市场营销（4.4%）、销售/CRM（4.3%）、财务/会计（4.0%）、数据分析（3.5%）。

全部工具调用中有80%存在权限限制或需要人类批准等安全装置，73%以某种形式有人类参与。不可逆的行为（比如发送邮件）仅占全部的0.8%。

不过，前沿领域也初现端倪。自动执行金融交易、查询患者医疗记录、提升安全权限等高风险、高自主性的集群，虽然规模不大，但确实存在。Anthropic认为其中相当一部分很可能是安全评估（红队训练），但也承认自己无法分辨这些是否属于真实的生产环境。

软件工程之所以率先采用智能体，有其结构性原因。代码可以通过运行来验证是否正确——可以跑测试、比较结果、在部署前审查。而在法律、医疗、金融等领域，验证智能体的产出本身就需要专业知识，因此建立信任的过程必然更慢。

MCP对CLI：围绕智能体“手脚”的技术之争

这里我们稍微谈一点技术层面的话题。围绕AI智能体与外部世界交互的方式，也就是工具连接的接口，正在展开一场有趣的争论。

MCP（Model Context Protocol）²​是Anthropic于2024年11月公开的一项开放标准，它把AI智能体与外部工具、数据库、API沟通的方式标准化了。可以把它想象成USB-C接口——只要连接一次，就能使用任何工具的“万能适配器”。发布仅一年，OpenAI、Google、Microsoft就全部采纳了它，2025年12月更是被移交给Linux Foundation旗下管理，迅速成为业界标准。

但最近，一线开发者中开始出现**“CLI比MCP更好用”**的声音。

问题出在上下文效率上。典型的MCP服务器会把所有可用工具的模式（schema）³​一次性全部加载进智能体的上下文窗口。举例来说，**光是一个GitHub MCP服务器暴露93个工具，仅这些定义就要消耗约55,000个token。**如果再连接数据库、Jira、Microsoft Graph，仅工具定义就要吃掉15万个以上的token。真正用于推理的空间反而被压缩了。

相比之下，CLI（命令行界面）⁴​方式直接使用gh、az、git这类既有的命令行工具。由于AI模型早已在训练数据中学过这些工具的用法，无需额外的模式定义，仅凭命令和结果就能在200个token以内完成同样的作业。

一位工程师用两种方式分别执行了“提取不合规设备列表并导出为CSV”的任务，结果发现：MCP方式在推理3到4步后就因上下文不足而不得不拆分会话，而CLI方式则在一次会话中就搭建好了整个流水线，甚至处理了边缘情况。

当然，这并不是非此即彼的“二选一”问题。MCP的优势在于标准化和生态系统——数千个服务器、跨平台支持、安全治理体系都已建立起来。Anthropic自己也意识到了这个问题，并提出了通过代码执行来实现MCP交互的方式：不是一次性加载全部工具定义，而是让智能体通过代码搜索所需的工具，再按需⁵​加载。

在我看来，这是智能体架构走向成熟的过程。早期的思路是“一次性展示所有工具”，但在实战中撞上了上下文窗口这一物理限制之后，正在收敛为“需要时才加载所需工具”这种效率导向的模式。这并不意味着MCP本身会消失，而是在MCP之上，会叠加更聪明的工具检索方式。

Oswarld视角

读这项研究时，让我印象最深的概念是“部署超限”。AI的能力早已足够，但现实中的使用量却跟不上——这种模式在科技行业中反复出现。云计算是这样，自动驾驶也是这样，这一次也是同样的结构。当技术的瓶颈从“性能”转移到“信任”的那一刻，决定增长曲线斜率的，就不再是工程师，而是组织文化与治理⁶​。

尤其值得关注的是，Anthropic明确表示**“要求对所有行为都进行事前批准的监管方式并不合适”**。资深用户自然发展出来的“监控+选择性介入”方式反而更有效——这对监管讨论具有重要的启示意义。

作为数据专家，我还想指出这项研究的局限。Anthropic只能分析自家产品的数据。在公开API上，只能看到单独的工具调用，无法重构整个智能体会话。Claude Code的数据也明显偏向软件工程领域。此外，风险度和自主性评分是Claude自己进行分类的，验证上存在结构性局限。这项研究无疑是有意义的第一步，但我们需要记住，完整的图景目前还只是拼图的一部分。

在我看来，真正重要的问题是：“AI智能体的自主性到底由谁决定？”这项研究给出的答案很明确：既不是模型，也不是用户，也不是产品设计，而是这三方共同塑造的结果。Anthropic把这称为“共同构建的自主性（co-constructed autonomy）”，我认为这个框架将成为今后AI治理讨论的起点。

结语

总结一下：**AI智能体的自主作业时间在三个月内几乎翻了一倍，但推动这一增长的不是模型升级，而是用户信任的积累。**而且，智能体在自身不确定时主动暂停的能力，正在作为与外部安全装置同等重要的监督机制发挥作用。

如果你对这个话题还想深入了解，推荐从原始研究的“Experienced users”部分读起，那部分用数据展示信任与监督之间关系的方式尤其令人印象深刻。下次我们会通过Anthropic近期发布的另一项研究，聊聊这种自主性扩张正在如何影响劳动力市场。

参考资料与延伸阅读

• METR，《Task-Completion Time Horizons of Frontier AI Models》，2026年。：这是衡量AI智能体能力的业界标准基准。与Anthropic的研究对照阅读，“能力”与“实际使用”之间的差距会显得更加清晰。
• Anthropic Engineering，《Code execution with MCP: Building more efficient agents》，2025年。：这是Anthropic官方工程博客，探讨MCP的上下文效率问题以及基于代码执行的解决方案。
• Jannis Reinhard，《Why CLI Tools Are Beating MCP for AI Agents》，2026年。：这篇文章很好地整理了MCP对CLI之争的实务视角，其中的实际token成本比较十分具体。
• MIT Technology Review，《This is the most misunderstood graph in AI》，2026年。：这篇文章梳理了围绕METR图表的误解与背景，有助于理解“时间跨度”实际衡量的是什么。
• Feng, McDonald, Zhang，《Levels of Autonomy for AI Agents》，Knight First Amendment Institute，2025年。：这是一套将AI智能体自主性分为五个等级的框架，以用户角色为中心的分类方式颇具实务价值。

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

1. 自动批准（Auto-approve）：在Claude Code中，指AI执行的每个行为（文件修改、命令执行等）无需用户逐一确认即可自动获得许可的设置。默认情况下该功能是关闭的，因此每次都需要手动批准。 ↩

2. MCP（Model Context Protocol）：一种将AI模型与外部工具或数据源沟通方式标准化的开放协议。就像USB-C能用一个接口连接多种设备一样，可以把它理解为将AI连接到各种服务的“通用连接器”。 ↩

3. 模式（Schema）：定义数据或工具结构的说明文档。可以理解为详细说明“该工具需要什么输入、会产生什么输出”的一种使用说明书。 ↩

4. CLI（Command Line Interface）：通过输入文本命令来操作计算机的界面。与用鼠标点击的GUI不同，是像git push那样直接键入命令的方式。 ↩

5. 按需（On-demand）：只在需要时获取所需数量的方式。就像Netflix只流式播放你想看的电影一样，智能体也是只在需要时才加载所需的工具。 ↩

6. 治理（Governance）：指组织或系统的决策结构与责任体系。AI治理指的是关于“AI能做什么、由谁负责”的规则与流程。 ↩