红杉发布的AgentIF-OneDay评测体系，首次以「人类一天工作量」为基准，揭示了AI Agent的真实能力边界。评测发现，主流Agent在短时任务上表现惊艳，但在长时复杂任务中则明显乏力，为理解数字员工的发展现状提供了关键视角。
智能速览
全新AgentIF-OneDay评测以「人类一天工作量」为基准进行测试。
AI Agent在短时任务上接近PhD水平，但长时任务完成度显著下降。
Agent能力演进需突破时间尺度与领域覆盖两条主线。
「范例参考」是当前AI Agent最普遍薄弱的能力环节。
评测排名Manus居首，但第一梯队模型能力高度趋同。
底层模型能力而非架构，是决定Agent表现的核心因素。
精华内容
要理解AI Agent离真正替代人类还有多远，需要深入其能力细节。AgentIF-OneDay评测从任务类型、模型排名到未来方向，描绘了一幅清晰的演进图景。
能力边界
评测数据显示，主流AI Agent在执行时间不超过1小时的短时任务时，已能展现出接近人类PhD水平的推理和执行能力。然而，一旦任务复杂度和持续时间突破一小时阈值，其任务完成度就会出现明显下滑。这表明当前Agent在维持长时间、高复杂度的任务连贯性上存在瓶颈。
三大任务
研究将一天的工作归纳为三类典型任务。工作流执行指流程清晰但繁琐的任务，如会议规划；范例参考考验AI从例子中领悟的能力，是当前最薄弱的一环；迭代式编辑则要求Agent在多轮交互中保持上下文一致性，边做边改。这三项能力共同构成了AI Agent能否胜任真实工作的基础。
模型排名
在整体评测中，Manus以0.645的综合得分排名第一，Genspark（0.635）和ChatGPT-Agent（0.626）紧随其后，三者构成第一梯队，分数差距微小，能力高度趋同。细分来看，不同模型各有优势：Genspark的隐式推断能力最强（0.719），Manus的工作流执行最优（0.661），而Minimax则在迭代编辑上表现最佳。
未来展望
报告展望，到2026年AI Agent将挑战完成一周的工作量，这是其成为真正「数字员工」的关键一步。长远来看，静态训练并非终极方向，下一代Agent必须具备在线学习能力，在真实环境中持续学习与适应。正如自动驾驶的数据飞轮效应，谁能率先积累海量真实用户数据，谁就可能率先实现通用Agent的「FSD时刻」。
AgentIF-OneDay评测清晰地指出，AI Agent已成为强大的短时任务助手，但成为全天候的数字员工仍需突破长时任务瓶颈。未来的竞争核心将是数据驱动的在线学习能力。你认为哪个方向的突破会最先到来？
