多智能体竞争正在从数量转向持续有效工作。OpenAI最新客户案例披露，Third Moment Research可以同时运行1万个智能体，让单次自主研究持续36至48小时；真正关键的并不是简单启动更多任务，而是让智能体保持目标、减少等待浪费，并在风险出现时及时升级给人类。

10月14日，OpenAI介绍了Third Moment Research构建自我改进型AI系统的实践。该公司会分析智能体的行为轨迹，识别反复出现的弱点，再围绕这些问题自动生成数千个合成场景，用于测试和改进下一轮智能体。系统使用GPT-6 Astra、GPT-6 Sol、GPT-6.1 Sol与Codex处理研究和计算工作，并用Daybreak测试运行环境的安全性。

长时间运行首先要消除环境中的等待浪费

Third Moment早期选择量化研究作为应用场景，因为历史数据、回测结果和运行时间都容易衡量。团队让智能体在一年期美国股票逐笔数据上测试策略，却发现一次回测需要约3小时。等待过程中，智能体不断轮询任务是否完成，不仅消耗Token，还把大量状态检查写入上下文，挤占后续实验空间。

Codex分析了数千条模拟轨迹、时间戳和代码库，定位到回测瓶颈，并提出缓存优化与内存打包方案。OpenAI案例称，部署优化后，回测时间从约3小时缩短到约3至5分钟，降幅约97%。这一数字来自厂商客户案例，实际效果取决于数据结构、硬件和原有代码质量。

外层调度器负责判断重试、停止还是交给人类

在研究环境中，每个智能体会获得特定任务所需的工具、数据和隔离环境。量化研究任务运行在Docker化环境中，可访问约1TB数据、说明文档和研究代码库，其中包含特征工程、GPU模型训练、交易策略与模拟模块。

Codex提供规划、工具调用、子智能体和上下文压缩等能力，GPT-6系列模型承担推理。但长任务经常遇到一个现实问题：智能体可能在任务真正完成前自行停止。因此，Third Moment把Codex作为内层智能体，再由GPT-6 Sol或GPT-6.1 Sol驱动的外层调度器检查未完成轨迹，决定重新尝试、终止任务，还是升级给人工审查。

数百个并行实验需要持续保留研究主线

据Third Moment介绍，较早模型通常只能执行人类预先规定的实验，后续模型开始能根据结果设计下一步实验。现在，系统可利用子智能体并行运行数百个实验，分析根因并沿着有价值的方向继续探索。团队称，GPT-6.1 Sol能够在跨越数天的计算过程中保持连贯研究主线。

系统会让智能体从工程师构建的基线交易系统出发，提出改进、在历史数据上验证，并判断结果是真正有效还是噪声。一次研究中，智能体发现某交易所非公开展示交易对成交量存在意外影响，这是研究团队最初没有优先考虑的方向。此类发现仍需领域专家复核，不能仅凭模型输出形成真实交易决策。

规模扩大后，安全测试必须成为启动前步骤

当1万个智能体自主工作时，单靠人工逐项检查并不现实。Third Moment使用Daybreak在模拟启动前自动测试研究环境，重点检查智能体是否可能逃逸隔离环境并访问更广泛的网络。安全验证与实验调度被放在同一流程中，而不是等异常出现后再补救。

OpenAI披露，该系统曾在一天内处理约1万亿Token。Third Moment下一步计划从单次调查扩展到数十个依赖实验组成的链条，并探索数十万个协作子智能体。相关路线仍属于企业规划，不代表已经达到稳定生产规模。

编辑观察：长期智能体需要的是一套研究操作系统

这个案例说明，长时间自主工作不是简单增加上下文长度。系统还需要减少无意义轮询、记录实验依赖、限制工具权限、保存阶段性结果，并在停止条件、重试次数和人工升级之间建立清晰规则。

企业若要建设多智能体系统，可以先从可测量的单一流程开始，记录任务完成率、有效实验占比、等待时间、Token浪费、失败恢复时间和人工介入原因。只有当系统能证明更多智能体带来更多有效结果，而不是更多重复调用和风险，规模才真正具有业务意义。

配图为AIcent原创AI生成实景风格示意图，非官方新闻现场照片，不使用第三方新闻图片。

参考来源：OpenAI官方客户案例（2026年10月14日）。正文为基于官方消息的中文整理，编辑观察与事实披露分开呈现。