科技资讯
先从一个「失败」的开场说起
在 MIT 研究者的模拟荒岛上，一个名叫 Eko 的智能体，第一个小时就给自己定了个大目标：登顶全岛最高的岩柱。一小时后它铩羽而归，随即换方案——把石头搬到旁边一座山头，摞上两块，然后跳上去，喊出「I’M ON THE SPIRE」。【3】
后面的剧情更有意思：它想测试自己能把一枚金戒指扔多远，用力一甩，戒指直接飞进海里，它写下「Ouch. Lost the Ring」，随后决定「转向一件可实现且有意义的事」——用石头堆一颗心，纪念那枚沉海的戒指。【3】
这些细节值得中国企业主读，原因不在拟人化的趣味，而在于：这批「闲着没事干」的智能体，后来在明确任务上赢了从未登岛的同类。【1】
图：来源页面配图（已本地备份）。引用：【1】Left alone with nothing to do, AI agents started playing — https://techcrunch.com/2026/10/22/left-alone-with-nothing-to-do-ai-agents-started-playing/
把实验设定说准，才谈得上借用
先还原事实：研究者把 13 个名为 Eko 的智能体（各自运行在 Claude Opus 4.7 上）放到一座模拟荒岛，连续 30 小时不给任何任务指令；之后才布置明确挑战，例如尽可能多地把物体运到岛上最高的岩柱。结果，先「玩」过的那批 Eko 整体表现更好。【1】
需要提醒两点。其一，该论文发布在 arXiv，属于未经同行评审的预印本；其二，13 个智能体的样本量并不算大。【2】因此它适合作为方向性信号跟进，不宜直接写进采购标书当作定论。
研究者自己的表述很克制：
“We normally develop artificial agents by deciding in advance what they should practice, what they should optimize, and what counts as progress.”【2】
这句话点出的，正是当下绝大多数智能体训练流程的默认前提：课程由人排好。
「排课表」式训练，会在哪撞墙
预设课程的打法是：先把 SOP 拆成步骤，再定义成功指标，然后反复跑评测集。它在边界清晰的场景里效率很高——单据抽取、客服问答、固定格式报表，都属于这一类。
它的问题在于：智能体只能学会你已经想到的东西。国内团队出现下面三个信号中的任意两个，就说明这套打法快到头了：
- 维护规则脚本的人力，已经超过使用它的人力；
- 日志里频繁出现「计划外」的绕行路径，而规则没覆盖；
- 请专家做示范讲解的成本，高于让智能体在沙箱里自己试错一次的成本。
跨境电商尤其典型：平台后台改版频繁，官方文档永远滞后于实际操作，写死的脚本三天两头失效。
三条可以带进工程结论的做法
一、自由必须发生在可回滚的边界内。 荒岛是虚拟的，最坏结果是丢掉一枚戒指。【3】企业里对应的东西是影子账号、测试店铺、可重置的环境快照和单次探索的成本上限。边界之外的第一次探索，就会变成第一次生产事故。
二、目标由智能体自选，路径才会越出你写的 if-else。 爬不上最高岩柱就改堆石头，戒指掉了就转做纪念心形——这类「退而求其次」的再规划，恰恰是硬编码最难覆盖、而真实业务最常出现的部分。【3】
三、评估只能落在迁移后的任务完成率上。 探索时长、调用次数、日志条数都是过程指标，好看不代表能力长出来了。实验真正验证的是「玩过之后，在指定挑战上更强」，而且用的是同配置但未登岛的对照组。【1】没有对照组，任何提升都无从归因。
四阶段落地表：每个阶段都要有交付物
| 阶段 | 关键动作 | 交付物 | 通过标准 |
|---|---|---|---|
| 0 场景筛选 | 用「规则写不全、专家示范贵、失败可回滚」三条打分 | 一页场景评估表 | 三条同时命中才进入下一阶段 |
| 1 建沙箱 | 隔离账号与数据、环境快照、时长与预算上限 | 沙箱环境 + 成本看板 | 最坏情况不触碰生产库 |
| 2 无目标探索 | 只给工具集与反馈信号，不给课表；全程留日志 | 可回放的完整操作日志 | 日志能还原每一步决策 |
| 3 迁移测试 | 换一组不同环境、技能有重叠的任务打分，设对照组 | 实验组/对照组差值报告 | 增益可复现两次以上 |
| 4 沉淀 | 从日志中抽出高频可复用序列，固化为工具或子流程 | 技能库增量 | 下次同类任务直接调用 |
首次试跑不必照搬 30 小时的量级，建议按十分之一折算，先把成本曲线摸清楚，再决定是否放大。【1】第 3 阶段是整个方法的重心，也是最容易被跳过的一步——很多团队做到「日志很漂亮」就停了，那只是买了台跑步机。
跨境团队的一个具体剧本
拿跨境卖家最头疼的三件事举例：广告后台的批量调价、多站点 listing 的字段映射、竞品页面的信息抽取。它们的共同特征是平台改版快、规则文档滞后。
建议这样跑：用测试店铺当荒岛，让智能体自己在后台摸索可用路径；迁移测试则放在一个全新品类的上架流程上。判断标准很直接——如果它在没见过的类目里也能跑通，说明学到的是操作逻辑，而不是背下来的点击序列。
同时把风险摆在明面上：平台服务条款是否允许自动化操作、多账号关联风控、接口限频与验证码。这些都不是沙箱能替你解决的，只能用测试账号、限速和人工复核来兜。
三条一票否决的红线
- 错误不可回滚的场景：资金划转、报关申报、发票开具。开放式探索在这里没有容错空间。
- 已有成熟 SOP 的重复流程：放养是浪费预算，直接编排流程更快。
- 没有日志与评测基建的团队：先补基建，再谈探索，否则你得到的只是一堆无法复盘的调用记录。
另外给采购环节提个醒：如果供应商宣称「让智能体自由探索就能变强」，先问一句对照组怎么设、迁移任务是什么。答不上来，就先别签。
七项开跑前自检
- 探索环境与生产数据完全隔离？
- 有明确的时长与 token 成本上限？
- 设置了未探索的对照组？
- 迁移任务与探索环境不同但技能重叠？
- 日志完整到可逐步回放？
- 关键动作有人工复核闸门？
- 探索失败不会触发任何真实业务副作用？
任意一项打不了勾，就先别扩大规模。
编辑判断
这项研究目前是预印本，结论稳定性仍待更多复现。【2】但它指出的方向值得国内团队提前布局：智能体的能力上限，正在从「你教得多好」部分转向「你敢给它多大的安全试错空间」。
真正的分水岭可能不在模型选型，而在于谁先把沙箱、日志和对照评测这三件基础设施搭起来。这三件事没有一件是新概念，难的是愿意在看不见直接产出的阶段先投入。
参考文献
【1】Left alone with nothing to do, AI agents started playing — https://techcrunch.com/2026/10/22/left-alone-with-nothing-to-do-ai-agents-started-playing/
【2】同上，关于研究者对「预设课程」的表述及论文 arXiv 预印本状态 — 同 URL
【3】同上，关于 Eko 智能体在岛上的具体行为描述（登顶替代方案、丢失戒指、石心纪念） — 同 URL
编辑注：本文基于上述来源的二次解读，四阶段落地表、跨境场景剧本、红线与自检清单均为古令乐编辑原创，非来源原文观点。
