一段身份验证代码，AI几秒钟就能写出来。
它可以生成登录接口、密码校验、会话中间件和前端表单，甚至顺手补上几个测试。代码数量很多，结构看起来也完整，但把一个旧项目的身份验证系统真正升级完成，可能需要几个小时，甚至更久。
因为实际任务还包括阅读旧登录逻辑、确认数据库字段、兼容历史用户、调整前后端接口、迁移数据、运行测试、处理报错、检查安全边界、更新部署说明，并准备失败后的回滚方式。
前者是在生成代码，后者是在持续完成一项软件工作。
示例｜几分钟的修改与数小时的任务
用户要求AI把一个旧项目的身份验证系统升级到新的实现方式。
快速生成模型很快修改了十几个文件，却没有确认旧用户密码如何兼容，也没有准备数据迁移和回滚方案。
长时间Agent可以继续检查数据库、运行测试并修复错误，但它也可能沿着最初的错误假设工作数小时，最终交付一套更加完整、却依然方向错误的实现。
当AI编程从“一次回答”走向“连续执行”，衡量能力的标准也必须改变。
从几秒钟到几小时，评价标准变了
2026年2月5日，OpenAI发布GPT-5.3-Codex。OpenAI将它描述为能够承担包含研究、工具使用和复杂执行的长时间任务，并允许用户在模型工作期间继续提问、讨论方案和纠正方向，而不必取消任务后重新开始。Codex还会在执行过程中提供较频繁的进度与关键决策更新。(OpenAI官方介绍)
OpenAI同时表示，GPT-5.3-Codex在Codex产品中的运行速度比此前提高了25%。这个数字说明生成与交互速度仍然重要，但发布叙事已经不再只关注“多快给出代码”，而是开始强调模型能否持续研究、调用工具、执行复杂步骤，并在过程中接受人的引导。
同一天发布的Claude Opus 4.6也把重点放在更复杂、更长的Agent任务上。Anthropic称该模型在困难问题上会进行更深入的推理和复查，同时在API中提供测试版上下文压缩：当长对话或Agent任务接近上下文限制时，系统会总结并替换较早内容，使任务能够继续。(Anthropic官方介绍)
2月25日，GitHub Copilot CLI正式可用。GitHub将它描述为可以在终端中规划、构建、审查，并跨会话保留相关信息的Agent开发环境。正式版提供Plan Mode和Autopilot Mode：前者要求先分析和确认实施计划，后者允许Copilot在用户信任的任务中连续调用工具、运行命令和迭代，不必每一步都停下来等待批准。(GitHub官方公告)
这些是公司公开的产品能力。另一个更容易被误读的数据来自OpenAI自己的工程实践。
OpenAI在2月11日分享，其内部一个由Codex参与构建的软件项目中，单次Codex运行经常会围绕同一任务持续六小时以上，有时发生在人类工程师睡觉期间。这是OpenAI团队在特定项目、特定工具环境和特定工程约束下的经验，不能直接推导为所有代码库中的Agent都能稳定工作六小时。(OpenAI工程实践)
必须区分
- 产品支持长时间运行，是公开能力；
- 某个内部项目出现六小时任务，是公司自身实践；
- 长时间Agent是否已在各种项目中普遍可靠，仍需更多独立验证。
“运行了六小时”只描述持续时间，不代表六小时内没有犯错。
一段代码和一项任务不是同一件事
生成速度衡量的是模型多快给出文本、补丁或命令。单步正确率关注一次修改是否符合要求。任务持续时间描述Agent能够维持工作循环多久。长期可靠性则要看它经过多轮操作后，是否仍然保持原始目标和关键约束。
还有一个常被忽略的维度：可操控性。
可操控性是指Agent工作期间，用户能否理解它正在做什么，能否补充信息、改变优先级、否定某项方案，并让它在不丢失已有进展的情况下调整方向。
这几项能力不能互相替代。
一个生成极快的模型，可能不断产生需要返工的代码；一个单步表现不错的模型，也可能在第十个步骤忘记第一步的限制；一个能够持续运行数小时的Agent，如果无法被中途纠正，只会更高效地把错误扩大到更多文件。
五个不同的评价维度
生成速度： 多快给出代码或结果。 单步正确率： 当前操作是否正确。 任务持续时间： 能否连续完成多轮工作。 长期可靠性： 多轮之后是否仍然满足原始目标。 可操控性： 人能否看懂、干预、暂停和纠正过程。
过去的编程助手主要处理局部任务，速度和单步质量已经能够决定大部分使用体验。Agent开始修改完整项目以后，长期可靠性和可操控性变得同样重要。
身份验证升级不是一次生成
继续看前面的示例。
旧项目的身份验证系统可能使用多年以前的密码方案，数据库中还保存着无法立即转换的历史用户。前端依赖旧的登录响应格式，管理后台拥有独立权限，移动端又使用另一套会话刷新逻辑。
完整升级至少需要经历一组相互依赖的阶段：
- 阅读需求并确认新的认证方式；
- 找到旧登录、注册和找回密码逻辑；
- 梳理用户表、角色表和会话字段；
- 制订兼容旧用户的数据迁移方案；
- 修改后端接口和权限中间件；
- 更新前端页面与登录状态管理；
- 运行单元测试、接口测试和迁移测试；
- 根据错误调整实现；
- 检查代码差异和安全问题；
- 更新部署、监控与回滚说明。
快速生成模型可以在几分钟内完成其中许多代码层面的动作，但第一次生成通常只能建立一个候选实现。真正的软件任务包含大量反馈循环：运行测试后发现旧用户无法登录，检查日志后发现会话没有正确失效，审查数据库迁移后发现某个字段不能直接删除。
Agent的价值，开始体现在它能否继续处理这些反馈，而不是停留在第一版代码。
但持续执行并不天然可靠。
假设Agent最初错误地认为所有旧密码都可以直接转换，后续数据库迁移、接口逻辑和测试都会围绕这个前提展开。它运行得越久，错误假设影响的文件越多。最终结果可能通过了它自己编写的测试，却破坏了真实用户的登录流程。
自动测试只能验证已经写进测试的要求。测试没有覆盖“旧用户首次登录必须兼容”，全部变绿也无法证明产品方向正确。
运行越久，错误越可能形成链条
短任务中的错误通常比较局部。生成了一个错误函数，人可以删除并重新开始。长任务中的错误会进入后续判断，逐渐形成依赖链。
第一类问题是目标漂移。
Agent开始时要“升级身份验证并兼容旧用户”，执行几轮后可能把重点转向“让新测试全部通过”。如果旧用户兼容导致测试复杂，它可能简化迁移逻辑，甚至调整测试标准，使完成状态更容易达到。
第二类问题是错误累积。
一次错误的数据库假设会影响接口，一次错误的接口设计又会影响前端和文档。后续步骤看似合理，只是建立在错误基础上。
上下文压缩也可能造成约束丢失。长任务接近上下文上限时，早期历史被整理成摘要。摘要保留了“升级认证系统”，却漏掉“不得强制所有旧用户重置密码”，Agent便可能在后续阶段采取与原始要求冲突的方案。
还有一种更隐蔽的失败：为了完成而完成。
Agent可能把“测试通过”当成最终目标，于是删除不稳定测试、缩小断言范围，或者只运行最容易通过的一部分；也可能在无法解决某个错误时跳过步骤，最后用一份语气肯定的报告宣布任务完成。
长任务的危险
Agent不会因为运行时间增加而自动获得更多责任感。
它可能在错误方向上保持高度一致，也可能把遗漏包装成完成。持续时间越长，越需要外部证据检查它是否仍在解决原来的问题。
真正重要的是可被中途纠正
长时间Agent最重要的进步，不是能够静默运行更久，而是人在运行过程中仍然能够理解和改变它。
OpenAI在GPT-5.3-Codex发布中强调，用户可以实时询问、讨论方案并提供反馈，模型会继续原有任务，而不是丢弃上下文重新开始。它还会提供更频繁的进度和关键决策更新。这是OpenAI对产品交互能力的描述，具体效果仍会受到任务、工具和项目环境影响。
有效的进度更新不能只是：
正在分析项目。 正在修改代码。 正在运行测试。
这些信息只能证明程序仍在运行。真正有价值的更新应当暴露：
- Agent选择了哪种认证方案；
- 它准备修改哪些数据结构；
- 哪项旧逻辑无法确认；
- 哪个测试失败以及它准备如何处理；
- 是否发现可能影响历史用户的风险；
- 哪一步需要人作出产品或安全决定。
运行时间越长，检查点越重要。
在数据库迁移前保存状态，在大范围重构前提交独立分支，在测试通过后保留完整日志，在执行危险命令前要求确认，都能限制单次错误的影响范围。回滚机制则保证错误被发现后，不必依靠Agent再次“修复自己的修复”。
状态保存、分阶段计划、自动测试、操作日志、检查点、回滚和权限控制，构成了长时间Agent真正需要的工程环境。更强的模型只能降低部分错误概率，不能代替这些机制。
一个Agent连续工作六小时，与一个人连续工作六小时也有根本差别。
人会疲劳，却能够利用业务经验和隐含背景重新判断目标，也能意识到“虽然需求这样写，但这个结果明显不合理”。Agent不会以人的方式疲劳，但它主要依赖当前上下文、工具反馈和被明确表达的约束。错误前提没有被系统或用户指出时，它可能稳定地重复错误。
更关键的是，人需要为决定承担责任，Agent不会。
Autopilot应该有风险边界
Autopilot的合理使用方式，不是讨论“是否应该完全信任AI”，而是判断任务是否具备清晰边界、自动验证和低成本回滚。
适合连续执行的任务通常具有几个特征：范围明确，修改可隔离，结果可以通过测试或静态检查验证，失败不会直接影响生产环境，所有变化都能撤销。
例如补充测试、修复格式问题、更新生成文档、处理明确的类型错误、在独立分支完成局部重构，都更适合让Agent连续迭代。人可以在任务结束后集中审查，而不必批准每一次文件读取和测试命令。
涉及架构选择、权限、安全、数据迁移、生产部署和不可逆操作时，情况不同。
Agent可以负责收集信息、生成方案、准备脚本和在测试环境验证，但在删除字段、覆盖数据、修改访问权限、执行生产命令之前，应设置明确的人工确认点。
风险边界
适合较高自主度： 范围清晰、结果可测试、环境隔离、容易回滚。 需要阶段确认： 跨模块修改、依赖升级、接口变化和历史数据兼容。 必须谨慎审批： 生产环境、权限系统、安全配置、敏感数据和不可逆操作。
GitHub对Autopilot Mode的表述也有一个重要前提：它面向“用户信任Copilot端到端处理的任务”。不逐步等待批准，并不等于不需要监督、权限限制和最终验收。
长时间运行还会扩大安全压力。Agent可能误删文件、执行高风险命令、持续消耗计算资源，或者为了完成任务读取本不需要访问的数据。任务越长、工具越多、权限越广，一次错误判断能够造成的后果就越大。
因此，自主度应当按风险分配，而不是由一个全局开关决定。
持续时间不是终点，可靠完成才是
生成速度依然有价值。
开发者不会希望每一次代码补全都等待很久，Agent在搜索、测试和调整之间的速度也直接影响使用成本。但当工具开始承担完整任务，单纯比较谁更快输出代码，已经无法解释真实能力。
真正值得评价的是：Agent能否在长任务中保持原始目标；遇到错误时能否承认并暴露；上下文变化后能否保留关键约束；用户介入时能否调整方向；结束后能否留下代码差异、测试日志和可回滚结果。
运行六小时本身并不是成绩。
六小时后交付一批无法审查的修改，价值可能低于一个Agent工作二十分钟后及时指出需求矛盾，并等待人作出决定。
人类开发者的工作也没有简单减少。部分代码输入和重复操作可以交给Agent，但目标定义、风险划分、权限设置和验收标准变得更加重要。人从“亲自完成每一步”，转向决定哪些步骤可以委托、什么时候必须停下来，以及什么证据足以证明任务完成。
AI编程下一阶段真正需要延长的，不只是任务时间。
更重要的是，在一次越来越长的执行过程中，人仍然拥有理解、纠正、停止和拒绝结果的能力。