Agent 圈子里有个没明说的困境：任务链越长，成功率越低，而失败的 Agent 有两种死法——要么在错误路线上一条道走到黑，要么毫无章法地反复换方向，把失败包装成探索。微软和上海交通大学的团队8月发布的 Argus，试图给这个问题一个工程答案：用验证来约束坚持与转向。
坚持和转向，都得有证据
Argus 的设定是一个持久化、可自进化的 Agent 运行时：Manager、Planner、Engineer、Reviewer 四个角色，在持久项目状态上执行有边界的任务（mission）。模型权重全程不动，所有进化发生在运行时的持久状态和控制策略里。
它的核心合同是：把稳定的用户意图，和可以被证据修正的操作目标、约束、验证标准分开。每次实质性改变——换路线、改目标、存经验——都必须有证据支撑、经角色审查、被记录下来。用论文的话说，不受约束的转向跟"合理化的失败"没有区别（来源：Argus 技术报告，arXiv:2608.05144，2026-08）。
验证把关的门禁（verification-gated admission）决定什么东西能被复用：候选的记忆、技能、流程、验证器、路由决策，还有被否决的路线，只有经过角色审查、拿到任务级验证证据之后，才进入可复用池。失败不会消失，被否决的路线也会被记录，防止下一个人再踩一遍。
图：Argus 运行时架构。Manager 统筹，记忆与技能经验证门禁后跨任务复用（图源：Argus 技术报告）
成绩单：78%与省21%
跑出来的数字值得细看。在自主执行任务的基准测试里，同一个 Argus 运行时在七个 GPT-5.5 基准竞技场保持有效：SWE-Bench Pro 上约78%，而 Direct Copilot 是59%；代价是总 Token 消耗1.41倍。AARRI-Bench 研究任务上76.8%，数学数据合成拉开28.0分的差距（来源：Argus 技术报告，同上）。
真正有意思的是纵向数据。在731个 SWE-Bench Pro 任务的完整轨迹里，成熟波次（mature waves）比起步波次每任务少用21%的求解输入 Token、少花15%的主动工作流时间——这是运行时自进化真实发生的证据。期间记录了34次验证器恢复、22次严格审查循环救援；466个任务调用独立 Reviewer，Reviewer 在43个任务上拒绝宣布完成，其中34个后来通过了官方验证器。
注意这组数字的含义：Reviewer 的"否决"不是流程负担，而是质量保险。43次否决里34次事后证明救对了。
验证工程，正在成为独立学科
Argus 不是孤例。腾讯研究院《2026人工智能十大趋势报告》把这件事命名为"驾驭工程"（Harness Engineering）：模型越来越强，像一匹野马，核心问题从"怎么问"转移到"让它在什么规则下跑"。从2022-2024年的 Prompt Engineering，到2025年的 Context Engineering，再到2026年的驾驭工程，竞争前沿正在从模型内部移到模型外部（来源：腾讯研究院《2026人工智能十大趋势报告·协同进化》，趋势04）。
Argus 恰好是驾驭工程里"验证"这一环的完整样本：验证器不只用来验收结果，还用来决定什么经验值得留下、什么路线该被否决、什么时候该停下来。报告里还有个容易被忽略的设计：自治不是无限的，任务在明确的操作者升级点（operator-owned escalation points）之间自主运行——该叫人的人还是得叫。
图：Argus 关键运行数据。验证器否决34次救对，成熟波次省21% Token（源势AI 制图）
源势AI怎么看
我们在企业里落地 Agent 项目，最大的教训之一就是：没有验证环节的自进化，等于让实习生自己给自己打绩效。
第一，经验复用必须有门禁。我们在能源和金融行业的 Agent 项目里，所有沉淀进技能库的经验都要过独立审查加任务级证据双关，原因跟 Argus 一样——被污染的经验比没有经验更贵，它会教坏后面所有任务。
第二，把"否决"当资产。很多企业把 Reviewer 的打回率当成流程损耗，Argus 的数据给出了反例：否决是发现问题的最便宜方式。我们建议客户把否决记录沉淀成负面案例库，这比成功案例更值钱。
第三，Token 账单要分阶段看。Argus 起步阶段比直接调用贵41%，但成熟后开始倒赚。评估 Agent 系统的成本，不能只看第一周的账单，要看学习曲线的斜率。
Agent 的下一轮竞争，比的不是谁的模型更强，而是谁的验证机器更硬。模型是发动机，验证是刹车，只有发动机的车不敢上路。
