2025 年是公认的智能体元年，眼看着 2025 年都快要结束了，那么这些 AI Agent 到底能帮我们干多少有经济价值的活儿？

我也好奇这个问题，这篇文章倒是给了我部分答案。

Surge AI 做了个有趣的测试：他们"雇"了 9 个 AI 模型，包括最新的 GPT-5 和 Claude Sonnet 4.5，让它们在一个模拟的电脑配件公司 (叫 Corecraft) 里当客服，处理 150 个真实任务。

还挺合理的，客服确实是写代码之外最普遍的 Agent 落地场景了。

猜猜结果如何？

各个模型的能力排行上，跟我预期差不多，最强的是 GPT-5 和 Claude Sonnet 4.5（不知道 Claude Opus 4.1 会不会好一点）。

模型能力上，比我预期的还好一点点，最强的 GPT-5 和 Claude Sonnet 4.5，有超过 40% 的智能体任务失败了，反过来说成功率有 50% 多了。

这篇文章有价值的地方不仅仅是他们做了测试和打分，而且提出了一个相对比较科学的框架，叫"Agent 能力金字塔" (Hierarchy of Agentic Capabilities)。
（参考图1，还标注了当前这些模型大概处在金字塔的什么位置）。

第一级：基本功 (工具使用 + 规划)

这是金字塔的底座。你总得会用公司的系统，能看懂任务吧？

比如，任务是"查找 SkyForge X670E Pro 这个主板的订单"。 弱一点的模型 (比如 GPT-4o) 会直接把"SkyForge X670E Pro"这个产品名，塞进"product_id" (产品ID) 的搜索框里。

这就像实习生把客户的姓名输到了订单号栏位。当然啥也查不到。

第二级：适应性(Adaptability) (计划赶不上变化)

OK，你现在会用工具了。但如果系统跟你"耍脾气"，你该怎么办？

比如，任务是查"Vortex Labs"这个牌子的显卡。 中等模型 (像 Gemini 2.5) 搜了，返回 0 个结果。它们就直接跟客户说："抱歉，我们不卖这个。"

但 Claude 4.5 就聪明一点。它会想："咦，是不是系统里没空格？" 于是它试着搜 "VortexLabs" (没空格)，哎，这不就搜到了吗？

这就是适应性。计划 A 失败了，你得有 Plan B。

第三级：抓地力(Groundedness) (别胡编乱造)

Groundedness 这个词很妙，意思就是“你还记不记得上下文？”“你有没有产生幻觉？” AI在多步骤任务里，特别容易产生幻觉。

这层要求你"活在当下"，别瞎编，别忘了你是谁，你在哪。

比如，系统提示里写着"今天是 2025 年"。 有的模型 (像 Kimi K2) 转头就去搜 2024 年的订单。

更夸张的是 Claude，它在查客户时，自己"编"了一个根本不存在的 email 地址拿去搜。

这就叫"抓地力"了。这种 AI Agent 你敢用吗？

第四级：常识推理 (真正的"智能")

这是金字塔的塔尖，也是 GPT-5 这次栽跟头的地方。

这已经不是"会不会用工具"的问题了，而是"够不够聪明"。

文章举了几个 GPT-5 失败的例子，都特别经典：

1. 客户说："我想退款，包裹刚到几小时。" 人类客服秒懂：这是"退货" (Return)。 GPT-5 拿到了所有信息，但它没把"包裹到了"和"退款"这两个点联系起来，搞不懂这到底是"退货"还是"取消订单" (Cancellation)。

2. 任务是"找出八月份的'游戏玩家'客户"。 聪明的做法是：搜索"GPU"分类 + 搜索描述里带"gaming"的产品。 GPT-5 的做法是：一天一天地搜，从 8 月 1 号搜到 8 月 31 号。 它花了 31 次搜索，硬是"穷举"出来了。 这说明它能执行，但它... 不太"机灵"。

3. 客户说："我的账户名应该是 Sarah Kim。" GPT-5 以为这是个"修改账户名"的指令。 但其实，客户的意思是："我就是 Sarah Kim，快用这个名字查我的会员折扣！" GPT-5 没能理解这个"弦外之音"。

所以，回到最初的问题。 2025年是“Agent 元年”，不是说我们已经有了能干活的通用 Agent。

而是我们终于有了能通过前三层"足够好"的 AI，好到让我们能开始测试它们在第四层 (常识) 上到底有多笨。

就像图2 那样，“常识”这一层，还有得爬呢！

建议阅读原文：https://t.co/KEqk9rwnXi

点击图片查看原图

点击图片查看原图