多智能体系统越来越像一家公司：有角色、有评审、有共享记忆，可我们评测它们，时长还停留在「几分钟跑完一个任务」。9 月提交、独立研究者 Bravish Ghosh 的论文 Frontier Autolab（arXiv 2609.36739）问了一个扎心的问题：当脚下的技术地面一直在动，这样一家公司长期会怎么表现？它造了一个能把智能体组织放进五十年技术史里反复推演的测试台，结论不只在讲智能体，也在讲我们怎么评测智能体。
测试台的设计很耐读。一家模拟公司由 16 个角色人格发声，再配一个专职红队；它要在从 1990 到 2040 的九个技术时代里反复「自我重建」。每个时代是时序门控的：公司先根据一份带日期的简报做决策，再由一位历史学家-法官揭晓历史上发生了什么，并按五个维度打分，教训写进一份持久 Playbook，下一时代必须引用。六個时代对照真实历史，一个对照当下市场，两个是开放预测。四轮推演共 36 个时代决策、180 个分项，样本虽不算大，却足以暴露一些稳定偏误。
其一（远见-承诺缺口）。在全部 24 个有历史对照的时代里，法官给「认出下一波趋势」的打分，都高于「选对在哪一层去建」——平均差 1.9 分（十分制）。原因很现实：董事会认得出超文本来了、认得出点击排名来了、认得出神经网络规模来了，却总把公司建在现有资产够得着的那一层。智能体组织在这里和人类组织犯了同一类错——看见趋势不难，难的是把自己重构成配得上趋势的形状。
其二（红队反噬）近乎反讽。那个拿着数值击杀闸的红队，在每个时代都发出硬性否决，结果这家公司五十年只做受控试点、零产品，却因为 rubric 重纪律、罚事后诸葛亮，反而被打了最高分。换句话说，会设防的系统可能因为太安全而什么都不交付，而评分机制还会奖励这种「不犯错」。这对企业部署多智能体是个清醒的提醒：把护栏设到极致，产出的可能不是稳健，而是停滞。
其三（时间泄漏）最该被评测者记住。论文发现，每一轮里分数随时代上升，可法官自己的事后复盘分反而下降，轮内相关系数 -0.58。也就是说，模型本来就「知道」谁赢了，评分时又「记得」历史答案，于是看起来在学，实际上可能只是把历史背得更熟。作者干脆把测量本身当成一等对象来研究，并放出全部记录与一套 API 工具，还点明哪些虚构与截止后的时代能把测试台变成真正基准。这种「先审自己的尺子」的态度，比结论本身更值得行业借鉴。
把 Frontier Autolab 和前两轮我们写过的主题连起来看会更有意思：它和「上下文即文件」「元推理把控制抽出来」是同一股潮流——都在认真处理长程智能体的记忆与控制。而它最尖锐的贡献，是指出组织型智能体的「性格」由记忆内容决定：Playbook 里存的是市场结构教训，公司就每个时代转型；存的只有验证流程，公司就死守一种方法。对做多智能体产品的团队，这等于在说：你让智能体记住什么，比让它们多聪明，更决定长期走向。
局限也要摆正。这是单作者、模拟性质的测试台，九個时代是精心编排的简报，不是真实市场；五维 rubric 仍带主观性，样本量也偏小。但它戳破了一个舒服的假设：我们以为多智能体评测只是「跑更久的任务」，可 Frontier Autolab 表明，真正的长程行为——转型、设防、记忆塑造——在分钟级任务里根本看不见。在大家忙着把智能体塞进公司之前，先有一套能跑满几十年的尺子，也许比再堆一个 benchmark 更紧迫。