技术深度解析
33%天花板并非统计异常，而是基于Transformer大语言模型自回归特性的数学必然。LLM生成的每个token都依赖于前一个token，这意味着错误——无论是来自幻觉、歧义还是与用户意图的简单错位——都会向前传播。在多步骤代理工作流中，每一步通常涉及生成计划、执行动作（如调用API、写入文件）以及解读结果。每一步的误差就是代理内部状态与世界真实状态之间的偏差。
让我们将其形式化。设E_n为第n步后的累积误差。如果每一步引入的平均相对误差为ε（例如偏离正确路径10%），则E_n ≈ E_0 * (1 + ε)^n。即使ε小至0.1，3步后误差增长至1.33倍，5步后至1.61倍，10步后则达2.59倍。代理正确完成任务的概率呈指数级下降。来自多个研究团队（包括主要AI实验室的内部评估）的实证研究证实，在SWE-bench（软件工程）和WebArena（网页导航）等基准测试中，代理在需要4步或更多步骤的任务上的中位完成率稳定在33%左右。
核心问题在于，当前LLM架构缺乏对不确定性的显式表征。它们不知道自己不知道什么。当代理执行一步并得到意外结果时，它没有内置机制可以说：“我现在对自己的位置不确定；我应该回溯到最后一个已验证状态。”这与经典规划算法（如蒙特卡洛树搜索MCTS或部分可观测马尔可夫决策过程POMDP）形成鲜明对比，后者维护信念状态并显式建模不确定性。业界曾尝试用ReAct（推理+行动）和思维链提示等技术来修补这一问题，但这些只是启发式方法，而非架构性解决方案。
一个值得关注的开源项目是LangGraph（github.com/langchain-ai/langgraph，目前超过8000星），它允许开发者构建循环图，使代理可以回溯到之前的节点。然而，LangGraph仍然依赖底层LLM来决定何时循环，而模型无法自我评估不确定性仍然是瓶颈。另一个知名项目是AutoGPT（github.com/Significant-Gravitas/AutoGPT，超过160,000星），它引入了简单的循环重试机制，但由于重试逻辑并非基于正式的不确定性模型，同样受困于指数级误差增长。
下表展示了领先代理框架在标准化5步任务完成基准测试中的表现（越高越好）：
| 代理框架 | 5步任务完成率 | 失败前平均步数 | 自我纠错机制 |
|---|---|---|---|
| OpenAI Code Interpreter | 34% | 2.8 | 无（线性执行） |
| LangGraph + GPT-4 | 36% | 3.1 | 手动循环节点 |
| AutoGPT (GPT-4) | 31% | 2.5 | 出错重试（3次尝试） |
| BabyAGI | 28% | 2.2 | 仅任务优先级排序 |
| 基于MCTS的自定义代理（研究） | 52% | 4.1 | 显式信念状态 |
数据要点： 唯一突破33%天花板的框架是使用蒙特卡洛树搜索并带有显式信念状态的框架，这证明了瓶颈在于架构，而非模型规模。
关键玩家与案例研究
33%天花板正在整个行业引发强烈反响。GitHub Copilot（由OpenAI的Codex及后来的GPT-4驱动）在单步代码补全方面取得了巨大成功，但其代理模式——试图自主修复bug或实现多文件功能——在需要超过三次顺序编辑的任务中，失败率约为70%。早期测试者的内部报告显示，Copilot的代理在尝试修复旧bug时常常引入新bug，这是误差累积的典型症状。
Adept AI，由前Google研究员David Luan创立，构建了一个名为ACT-1的代理，能够导航网页界面。在演示中，它在填写表单等短任务上表现良好，但在预订多城市航班等较长工作流中则力不从心。该公司此后已转向聚焦企业自动化，但根本挑战依然存在。
Cognition Labs，即Devin背后的公司，曾声称构建了自主软件工程师。实际上，Devin在SWE-bench上的完成率约为13.86%——远低于33%天花板，因为SWE-bench任务通常需要10步以上。该公司此后承认，Devin在与人类监督配合时表现最佳。
微软通过其Copilot生态体系大力投资代理框架。其研究团队在2025年初发表的一篇论文显示，在每个动作后增加一个“验证步骤”（使用单独的LLM检查输出）