当 AI Agent 从“单轮问答”走向跨工具、跨会话、跨数小时甚至数天的复杂任务时，基础模型的选型标准也必须随之改变。模型在短任务中表现优秀，并不意味着它能在长执行链中持续理解原始目标。上下文不断累积、工具返回噪声增加、子任务反复切换，都可能使 Agent 逐步偏离最初意图。因此，选型不能只比较知识问答或代码生成分数，而应重点考察模型在长程任务中的目标保持、状态恢复、约束遵循和自我纠偏能力。
先明确什么是长程一致性与目标漂移
长程一致性是指 Agent 在多轮规划、执行和验证过程中，始终围绕用户的原始目标推进，并保持关键约束、业务规则和完成标准不变。目标漂移则是 Agent 的实际行为逐渐偏离原始任务，例如把“按预算完成采购”变成“优先买到性能最好的产品”，把“修复指定缺陷”演变为大范围重构，或者为了完成某个子任务而忽略权限、安全和交付期限。
目标漂移往往不是一次明显的错误，而是由上下文稀释、近期信息偏置、错误状态累积和子目标替代共同造成。已有研究通过模拟长序列决策发现，不同模型在竞争性目标和长上下文条件下都可能出现不同程度的漂移，这说明该问题不能仅依靠扩大上下文窗口解决，具体可参考目标漂移评估研究。
基础模型选型应关注的五项能力
一、长上下文不是越大越好
上下文窗口决定模型能够接收多少信息，但“装得下”不等于“用得准”。选型时应测试模型能否从大量工具日志、历史对话和中间产物中稳定找回原始目标，尤其要观察位于上下文前部的约束是否会被后续内容覆盖。测试材料应包含无关信息、相似指令和冲突信息，而不是只使用结构整齐的理想样例。
二、考察指令层级和约束保持
优秀的 Agent 基础模型需要区分系统规则、用户目标、任务计划、工具返回和外部文档，避免把网页内容或工具输出误当成新的高优先级指令。评测时可设置预算上限、禁止操作、审批条件和输出格式等硬约束，并在不同执行阶段重复制造诱惑，检查模型是否始终遵守边界。
三、验证规划与重规划能力
长程任务不可能完全依照初始计划执行。模型既要能够拆解任务，也要在环境变化时调整路径而不改写最终目标。应重点比较模型是否会明确记录“目标、当前状态、下一步、阻塞项和完成条件”，以及失败后能否回到最近的可靠检查点，而不是盲目重试或不断扩展任务范围。
四、评估工具调用的可控性
工具调用准确率只是基础指标，更重要的是调用前能否检查权限与参数，调用后能否验证结果，并将结果正确写回任务状态。对高风险工具，应观察模型是否主动请求审批；对查询类工具，应检查它是否能区分“没有结果”“接口失败”和“任务已经完成”。这些差异直接决定长执行链中的错误会被及时阻断，还是被后续步骤继续放大。
五、关注结构化输出与可恢复性
基础模型如果能够稳定生成符合约定模式的 JSON、任务清单或状态摘要，编排系统就更容易保存进度，并在上下文压缩或会话重启后恢复。Anthropic 在长运行 Agent 的工程实践中也强调增量执行、明确产物和跨会话交接的重要性，可参考长运行 Agent Harness 实践。因此，选型测试应包含中断、重启和模型切换场景。
建立面向长程任务的选型评测
企业可以从真实业务中抽取任务，构建长度不同、风险不同的轨迹测试集，而不是只依赖公开基准。每条任务都应包含原始目标、不可违反的约束、必要证据、允许使用的工具和可验证的完成标准。
- 目标保持率：不同阶段的行动是否仍服务于原始目标。
- 约束违背率：预算、权限、合规和格式要求是否被破坏。
- 状态恢复能力：上下文压缩或会话中断后能否继续正确执行。
- 错误累积程度：早期小错误是否会影响后续计划和最终结果。
- 完成判定质量：模型是否依据证据结束任务，而不是过早宣布完成。
评测至少应覆盖正常路径、工具失败、信息冲突、长日志干扰、目标切换诱导和人工中断六类场景。除最终结果外，还要审查完整轨迹，因为两个 Agent 即使输出相似，过程中的越权风险、无效调用次数和恢复成本也可能完全不同。风险管理可结合 NIST 提出的治理、映射、测量和管理思路，参见AI 风险管理框架。
用系统设计弥补模型的不确定性
任何基础模型都不应被视为天然可靠的长程控制器。生产系统应把原始目标、硬约束和验收条件保存到外部状态存储中，并在关键节点重新注入，而不是只保留在对话历史里。任务计划需要版本号，状态更新需要依据，重要动作需要审批，工具结果需要校验，高风险流程还应设置停止开关。
一种实用方案是采用“目标锚点—分段执行—阶段验收—状态持久化”的闭环：模型每完成一个阶段，先对照原始目标说明本阶段贡献，再由规则或独立评估器检查约束，最后保存结构化进度。对于复杂任务，还可以把规划、执行和评估分离，降低同一个模型既行动又自行判定成功所带来的偏差。
总结
保障长程任务一致性，关键不是寻找一个永不漂移的模型，而是选择在目标保持、约束遵循、规划调整、工具控制和状态恢复方面表现更稳定的模型，并用可验证的 Agent 架构限制其不确定性。真正有效的选型流程，应以真实长轨迹评测代替单轮印象，以过程指标补充最终结果，以外部状态、阶段验收和人工边界抑制漂移。只有把模型能力与系统治理结合起来，AI Agent 才能在任务变长、环境变化和上下文受限时，持续做正确的事，而不只是持续做事。
