AI Agent 能力被低估？四大信号揭示真相

引言

近期，AI 行业涌现出多个看似独立却相互关联的热点：Bridgewater 的金融测试显示定制模型超越 GPT 和 Claude；英国 AI 安全研究所发现标准基准严重低估 Agent 能力；安全漏洞报告因 AI 辅助而激增；浏览器战争转向 Agent 原生体验。这些信号共同指向一个核心事实：AI Agent 的真实能力正在被系统性地低估，而中国开发者需要重新审视评估标准与落地策略。

金融测试：公开数据之外的 Agent 潜力

Bridgewater 与 Thinking Machines Lab（前 OpenAI CTO Mira Murati 创办）合作，基于 Qwen3-235B 模型微调了一个金融专用 Agent。在内部测试中，该模型达到 84.7% 的准确率，超越 Gemini、Claude 和 GPT，而成本仅为后者的约十四分之一。关键点在于：测试题目从未公开过。这意味着标准基准（如 MMLU、HumanEval）中大量题目可能已被模型“记住”，而非真正检验推理能力。

对中国读者的启示：不要迷信公开基准排名。在金融、医疗、法律等垂直领域，用私有数据集微调开源模型（如 Qwen、DeepSeek）可能获得远超通用闭源模型的效果，且成本可控。

基准测试：计算预算的隐藏天花板

英国 AI 安全研究所（UK AISI）的一项研究揭示了更结构性的问题：标准基准通过限制计算预算，系统性地低估了 Agent 能力。在软件工程任务中，当 token 预算增加 10 倍时，成功率跃升约 25%。这意味着许多 Agent 并非“做不到”，而是“没被允许花足够时间思考”。

这与中国 AI 社区的“长思考”趋势不谋而合。DeepSeek-R1 等模型已证明，通过链式推理（Chain-of-Thought）延长思考时间可以显著提升复杂任务表现。建议中国开发者在评估 Agent 时，不要只关注单次推理的准确率，而应测试不同计算预算下的能力曲线。

安全漏洞：Agent 的“双刃剑”效应

Epoch AI 报告显示，2026 年 6 月，21 个组织报告了约 1500 个高严重性和关键性 CVE（通用漏洞披露），是此前月度纪录的 3.5 倍以上。这一激增与 AI 驱动的漏洞狩猎程序上线时间高度吻合。

这并非坏事。AI Agent 正在成为网络安全领域的“超级助手”，能够以人类无法企及的速度扫描代码库、发现逻辑漏洞。对于中国开发者，这意味着：

• 安全测试应优先引入 AI Agent 辅助，尤其在上线前进行深度代码审计
• 同时需警惕 Agent 本身可能引入的新漏洞（如提示注入、数据泄露）

浏览器战争：Agent 原生体验的崛起

传统浏览器竞争焦点是搜索速度与隐私，但新一代浏览器（如 Arc、SigmaOS）正在转向 Agent 原生体验：内置 AI 助手、自动整理标签页、跨应用任务编排。这反映了 Agent 从“聊天窗口”走向“操作系统级能力”的趋势。

对中国市场而言，这一趋势意味着：

• 浏览器可能成为 Agent 的主要入口，类似微信小程序之于移动互联网
• 开发者应关注浏览器扩展 API 对 Agent 的支持程度，提前布局

结论与行动建议

综合以上信号，AI Agent 的能力远未被当前基准测试充分反映。对于中国读者，以下行动建议值得考虑：

1. 建立私有评估体系：使用行业特定、未公开的数据集测试 Agent，而非依赖公开基准
2. 优化计算预算：在成本可控前提下，为 Agent 分配更多推理时间，观察能力上限
3. 拥抱安全自动化：将 AI 漏洞狩猎纳入 CI/CD 流程，同时建立 Agent 安全审计机制
4. 关注浏览器生态：选择支持 Agent 原生功能的浏览器，作为用户交互的试验场

AI Agent 的潜力正在从实验室走向生产环境，而低估它可能是 2025 年最大的技术误判。