结果是：最难那一档，成功率全是 0%。连 CLI 子集里最好的，通过率也才 25.2%。
但真正该截图的不是分数，是它点名的那个“主要失败模式”：智能体没验证输出，就宣称自己干完了。这句话，每个让 AI 替自己干过活的人，都该贴在屏幕上。
注意，这不是“Agent 不行”。Agent 很能干。问题是你默认了一件最贵的事：它说“已完成”，你就当真完成了。这两年最大的智商税，不是买错了工具，是信错了这三个字。
下面是我让 AI 替我干活、靠它撑起一个人公司的“验收闭环”。不玄，就三步，照着抄。它对应的，恰好就是 Agent 在长任务里最常翻车的三种死法。
一、动手前先逼它泼冷水
大多数人翻车在第一步：想了个需求，一句话甩过去就让它开干。你以为自己想清楚了、说清楚了，其实没有。
AI 最危险的地方，不是它会犯错，是它会用同样的热情，把你一个没想清的烂需求，做成一个看起来很完整的烂东西。等你发现不对，它已经在错误的方向上跑出八百米，回头改的成本比重写还高。
所以我每次让它干稍微复杂点的活，第一句永远是“先别动手”。把它从“附和你的助手”切成“挑刺的顾问”，让它反过来问你。这段你可以直接拿去用：
先别写代码，也别给方案。你先当一个挑刺的需求顾问，每轮最多问我 3 个问题，把我没说清的、自相矛盾的、想当然的地方都问出来。问到你觉得没盲区了，再帮我收成一个最小能跑的版本。
别小看这一步。你问 AI，只能问到你已经想到的，你的盲区永远是盲区。把提问权交还给它，它见过的同类坑比你多。需求不是想出来的，是被问出来的。
二、它喊“干完了”，正是该验收的时候
Agent 在长任务里有两个改不掉的毛病。一是干到一半就宣布收工，50 件事做了 35 件，剩下 15 件它当没看见，照样跟你说“已完成”。二是你让它检查自己的活，它总觉得自己对，自我打分永远很高。
ALE 那份 0 分卷子，败的就是这个。所以验收有一条铁律：不能交给“同一个它”。它对自己刚生出来的东西有偏心，对别人的活才挑得动刺。开一个全新的、干净的对话，把最初的要求原样贴回去，让它逐条比对打勾。具体三连：
① 原样贴回：把最开始的要求一字不改贴给它，问“逐条对照，哪几条没做到、哪几条做歪了，别替自己找借口”。② 换个新窗口验：别在干活那个对话里验，另开一个干净对话来挑，它才不会护着自己的产出。③ 让它先认错：不要问“做得怎么样”，要问“你这次最可能错在哪 3 个地方”。问法一变，它就从邀功切回排雷。
你正在读的这篇，就是我用一套 skill 跑出来的。我每天最重要的动作不是让它写，是开第二个窗口逼它验。不验，它三篇里总有一篇会一本正经地把没影的事写得有鼻子有眼。它的“已完成”，是承诺，不是证据。
三、拿你最脏的真实输入跑一遍
第三种死法叫目标漂移：聊得越久，它越容易忘了你最初要什么，尤其是那些“千万别动 X”的约束，会在一轮轮对话里悄悄丢掉。所以 demo 跑得越惊艳，越要警惕，那往往是它拿自己编的漂亮样例在表演。
验收只认一种料：你手头最真实、最脏的输入。别用它造的干净样例，拿 3 条带着真实毛刺的数据跑一遍，然后只问自己这三句：
① 敢不敢原样交：这 3 条跑出来的结果，我敢不敢直接交出去，不再手动补一刀。② 有没有越界：它有没有偷偷违反我最早说过的“不做”，把禁区给做了。③ 错了看不看得出：万一错了，我一眼能不能看出来，还是得逐字核对才发现。
我一个人 + AI 干一家公司、每月省 5 万，省的从来不是模型那点钱，是返工的命。我宁可在验收上多花十分钟，也不让一个没验过的产出流到客户那。没验过的产出，不是成果，是定时炸弹。
四、别再迷信“换个更强的模型就好了”
看 ALE 的成本数据会更清醒。几个顶级 Agent 整体表现其实咬得很近，但做同一道题，成本能差出 10 倍：Fable 5 一道约 15.7 美元，Composer 2.5 才 1.33 美元。可它们在最难一档，一起拿了 0 分。
这说明什么？再贵再新的模型，也治不好“没验完就喊干完了”这个病。你刷过的那些“换上某某 Agent 提效 10 倍”，多半是把验收这一步偷偷省了。模型决定它能干多难的活，验收决定这活你敢不敢用。
模型会一年比一年强，可它“没验完就说干完了”这个毛病，短期不会好。AI 不会因为你不验收就出错，但你不验收，迟早替它背锅。
一个人 + AI 干一家公司、专戳 AI 智商税的人
关注【AI 退烧贴】· 只教真能提效的 AI 工作流
