把过去一周的智能体新闻排在一起看，会发现一件反常的事：几乎没有一条在比「模型多聪明」，全在比「交付多可靠」。10 月 12 日，Artificial Analysis 上线 FrontierCode 1.1 榜单，按「维护者愿不愿意合并」给编码智能体打分，头部模型四成尝试不过关；10 月 11 日提交的论文 Agent Sociodrama 给多智能体团队的社会性故障建了模，人格重铸至多提升 83.3 个百分点；10 月 14 日的 Claude Code 2.1.299 把长会话压缩时机掐在提示缓存到期前 6 分钟；10 月 13 日 NVIDIA 把 74B 模型压进 24GB，顺带配齐路由与沙箱；10 月 14 日的伶鹊 2.0 把「构建到回归」做成自进化循环，同一天的 Gemini 应用把编码智能体收进一颗胶囊按钮。
尺子先换了
评测口径的转向是这批信号里最硬的。旧编码基准的通过率通胀多年，区分度越来越薄；FrontierCode 换了一把尺——改动能不能被真实仓库的维护者合并，过度修改、乱动无关文件、加无用测试都要扣分，智能体自己写的测试还得先证明能在坏代码上失败。读数很直白：52 分的头部模型只有 58% 的尝试全过阻断项，100 题里 9 题无模型通过；而 GPT-6.1 Sol 用不到一成的每任务成本（0.81 美元对 10.15 美元）拿到 49 分。这把尺子也有边界——判卷的是自动检查加 LLM 评审，分数依赖统一挽具，跨榜单不可互换——但方向已经定了：会解题和能交付之间，隔着一次真实的代码评审。
关系也开始修了
多智能体一侧，Agent Sociodrama 把长期隐形的故障摆上了台面：知情者沉默、强势发言锚定群体、违规不受制裁——这些在任务准确率里全看不见。它的修复思路（从轨迹诊断群体故障、重铸人格后重跑）与本站报道过的共享状态污染（任务 65% 对证据核验 14%）、「一万个智能体贡献不到一成」的冷思考构成同一条线：多智能体的问题正在从规模层下沉到关系层，而且关系层头一回有了可操作的修法。
细账开始按分秒算
工程侧的信号更安静，也更花钱。Claude Code 的空闲压缩把「什么时候压上下文」做成了显式策略——压缩会重置会话层缓存，踩在缓存到期前动手，省的是重算整段历史的真金白银。NVIDIA 的 Bolt 则在本地侧算另一笔账：MoE 把知识面与每 token 开销解耦，2 比特量化感知训练把体积压进 24GB，模型、运行时、路由、应用接口、沙箱五层一次配齐。一边是云端会话的缓存经济学，一边是本地智能体的密度战争，共同点是：智能体的单位成本开始被当成头等工程问题。
产品开始自己长
产品侧的两个动作，一个向内一个向外。伶鹊 2.0 的自进化引擎把「构建、评测、归因、优化、回归」做成五阶段循环，人退到定目标与划红线的位置，厂商称提效超过 10 倍；Google 把 Antigravity 收进 Gemini macOS 应用的胶囊按钮，把对话应用改造成带任务切换、技能库、40 多个连接器的控制台。再加上此前 Salesforce 把 Agentforce 设为默认开启（本站 1802）——企业智能体的三条路并行了：预装进系统、让智能体自己长、把控制台搬进日活应用。
四层债，四种还法
把这些信号叠起来，能看到一张粗略的还款清单。个体可靠性层：还法是可合并性口径进基准，未解的是自动评审与真实合并率的差距；团队协调层：还法是轨迹诊断加人格重铸，未解的是外部评委自身的可靠性；会话经济学层：还法是压缩踩点与低比特量化，未解的是摘要信息损失与质量保持的独立复现；产品化闭环层：还法是自进化循环与控制台化，未解的是「达标」的定义权握在平台方手里。
上周本网的判断是智能体拿到了钱包、身份与常住址（1901），基础设施开始把它当独立经济主体；这一周的补充是：经济主体要活下去，还得还交付的债。模型能力当然还会涨，但这一周的信号说，下一轮差距大概率在交付链路里产生——谁的改动能原样进主干，谁的团队不内耗，谁的会话不烧钱，谁在本地跑得动，谁的产品能自己迭代。
需要保留的怀疑
整条叙事有一条共同的软肋：本周的证据几乎全部来自论文与厂商口径，独立复现尚未发生。基准可能被新一轮博弈「针对性优化」，自进化循环的评测体系由平台自持，NVIDIA 的性能声称未附基准数字，「控制台化」的长期留存更是没有数据。把它们当作方向信号是合格的，当作结论还太早——接下来一个季度，值得盯的是第三方复现数字，以及按「可合并」口径结算的采购合同。
目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。