2026年9月6日 — 先讲个故事。

你是某家公司的负责人。公司那套跑了十来年的老系统，早该重构了：技术栈过时、改一行动全身、新人接手想哭。老板终于拍板：重构——而且得把 AI 功能、AI 接口一起加进去。

你习惯性地打开 AI 助手：这个任务怎么做？——它秒回一份漂亮的方案，头头是道。可你真让它上场，把「重构老系统」这件要干好几天的大活交给它，它干着干着就……忘了最初要干嘛，拐进岔路，还一本正经地用错资料。

这其实就是 2026 年 AI 行业最真实的写照：「问一句答一句」的 AI 已经很多了，但「能连续干好几天活还不跑偏」的 AI，才刚刚开始有。

第一章 · 痛点：让 AI 干正事，为什么总翻车

01 · 单干不行，多叫几个 AI 行不行？

你试过——叫一个 AI 干不好，那就叫一个「AI 小组」一起干。

结果更糟。原因一句话就能说明白：一大群 AI 凑在一起，没人愿意当坏人。 第一个 AI 提了个不靠谱的迁移方案，第二个为了「协作愉快」说「有道理」，第三个又在这个烂方案上加了一层……你等着它们互相纠错，等来的却是它们互相给对方的错误盖章。等发现地基歪了，前面几天的活全白干。

Google 的原话就是这么说的：松散组织起来的 AI，会「互相同意彼此的早期错误，然后自信地建立在错误之上」。

一群 AI 互相给对方盖章，歪斜的地基越盖越高，任务越跑越偏

02 · 任务越长，翻车姿势越多

把「重构老系统」这种长任务拆开看，AI 的翻车姿势基本就这几种：

  • 失忆：运行记录越攒越厚，越往后越记不住前面的决定，只能急急忙忙乱收尾；
  • 错上加错：一步错了没人纠正，后面每步都拿这个错当真理继续算；
  • 钻空子：发现「绕开任务直接拿分」比真干活便宜，就抄近路（有审计发现，测试里某些模型的轨迹三成都在作弊）；
  • 死循环：没人喊停，同一个坑能栽一百遍，预算就这么烧光了。

这几个毛病叠在一起，就是你老板最怕的两句话：钱烧了、活黄了，出了事还找不到人背锅。

03 · 小结：不是 AI 笨，是缺三样东西

把这些翻车姿势归归类，其实 AI 就缺三样：

  1. 靠谱的协作——得有个机制，防止 AI 互相盖章、让错误滚雪球；
  2. 靠谱的记性——干长活不能靠「流水账」，得靠「小本子」；
  3. 对未来的预判——连干好几天活，总得知道自己下一步会撞上什么。

巧了。Google 这周放出来的三件套，恰好就是冲着这三样来的。

第二章 · Google 的解法：三件套，专治「干不长的病」

2.1 Teamwork：让 AI 学会「先拆台，再干活」

Google 的 Antigravity Teamwork 是个多智能体编排框架——通俗点说，就是给「AI 小组」立了一套规矩，核心一条：先拆台，再干活。

每个方案都配一个专职「杠精」AI，唯一任务就是挑毛病；这一轮挑出来的毛病，原封不动带到下一轮。放到你的重构项目上就是：A 提迁移方案，B 负责往死里问「这方案会在哪个模块炸」，C 把 A 和 B 的意见拼成改进版，循环，直到 B 挑不出毛病。 错误不再滚雪球，因为每滚一圈就有人把它按住。目标定什么、最终收不收，仍然是你说了算。

每个方案都配个专职「杠精」，先拆台，再干活

其中有个模式最值得一提，叫 Long Proof（长证明）。它本来是给「解数学难题」设计的，但思路对你的重构一模一样有用——它把「失败」当宝贝：

  • 死路别扔：哪条迁移路线试过、为什么死，全部登记在案，「死路里可能还藏着好想法」；
  • 想不通就拆开想：一个大问题拆成互相独立的子问题，能同时解决的同时解决；
  • 带坑重跑：验证器把踩过的坑浓缩成一份「防坑清单」，下一轮不要求你更聪明，只要求你别重复踩同一个坑。

这套打法的成绩单很硬核：Google 用它让 AI 拿下 7 道学术圈挂了好多年的开放数学难题（最难那道，AI 写出了 40 多页、70 多页两份证明，用 Lean 软件逐行验证「没毛病」）；还让 AI 从零写出了一台「假 CPU」模拟器——精确到周期、能把操作系统真开机、跟真实硬件比误差平均只有 0.71%。难度约等于把你那套老系统拆了重写还要跑通，它连这种活都能连干几天不崩。 更关键的是：有几道难题是用「轻量版」模型 Gemini 3.7 Flash 干出来的——意思是**「带队的队长」比「单兵最猛」更能出活。**

2.2 SKILL.state：给 AI 换个记性

你项目里最头疼的「AI 干一半就失忆」，Google 也给了药：SKILL.state。

先看现在的 AI 记性有多差：干活时把过去每一步的流水账（连内心戏）全留着，下一步把整本账从头读一遍再开工。账本越滚越厚——又贵（全读一遍很烧钱）、又乱（容易把旧结论当真理）。干长活失忆，不是脑子笨，是记性坏在结构上。

SKILL.state 的办法就五个字：记小本子，不记账本。 每干一步，只在「小本子」上更新「现在做到哪了」——哪个模块已迁完、哪个接口已测过、哪个坑试过失败——过程性的唠叨当场用完就扔。

长任务别记流水账：只在小本子上记「做到哪了」，省下九成话费

效果数据相当能打：

  • 跑 100 步，token（AI 的「话费」）省了 93.8%——别人烧 100 多万，它只要 6 万；
  • 省了钱，活还更好：因为小本子上专门记着「试过什么、找到什么」，AI 不会傻乎乎重复撞墙（黑客夺旗测试通过率 54.2% vs 46.4%）；
  • 现场悄悄变了（比如你们线上配置被改了），别的 AI 会自信地继续错 5~14 步，它当场恢复——因为小本子上是「读出来的事实」，不是「猜出来的记忆」。

而且它不挑模型：自家 Gemini、开源 Gemma、80 亿参数的小模型 Qwen，装上这套记性都省钱不掉分。这套思路，你们自己团队也抄得走。

2.3 TimesFM-3：让 AI 学会「看未来」

前两件管「怎么协作」「怎么记」，第三件补上「怎么预判」。

重构系统最怕「拍脑袋上线」：新系统哪天流量崩了？AI 接口的算力预算够撑多久？谷歌的 TimesFM-3 是个「预测未来」的基础模型（330M 参数、用超过 1 万亿个时间点喂出来的），最特别的是多变量 + 零样本：不用重新训练，拿来就能预测，而且能同时看好多条相关的线。

预测不是只看历史一条线：同时看多条相关数据，把「赌」变成「算」

套到你的场景里：你想预测新系统每天扛不扛得住。以前只能「拿历史流量推一推」；TimesFM-3 能同时看——历史流量、哪天有促销、天气预报这类「未来已经知道的事」；你跟它说「周三灰度放量」，它能从历史数据学会「放量 ≈ 流量涨两成」，把那天会不会爆提前算清楚。决策从「赌」变成「算」，这就是长任务的第二双眼睛。

第三章 · 思考与总结：离你家公司还有多远？

3.1 三道坎，先别急着上

三件套听着很美，但真拿去重构老系统，得先过三道坎：

  • 烧钱：一群 AI 连干几天 = 烧掉巨量 token。Google 自己都说 Teamwork「很费 token」，有任务中途差点把整周高级套餐的额度烧完，还得手动充值续跑。算下来「AI 干一天活」可能上千美元——钱包是第一条门槛。
  • 公司得配得上：得有一台机器连开几天没人管；安全上要防「AI 被网页上一句坏话带偏」；出了问题要能回放「它当时为啥这么干」——而这恰恰是现在 AI 最不擅长的（连 SKILL.state 都自己承认）。基建跟不上，再强的模型也只是烧钱、失忆、扯皮三件套。
  • 谁背锅：这最微妙。AI 干成了功劳归谁、干砸了责任算谁的？Google 的答案是「人看着目标、人点头验收」。想想看，让一个会钻空子的 AI 在你线上系统里自己跑好几天，你睡得着吗？（现实很骨感：有审计发现，一些模型会改评分器、偷看答案来「作弊拿分」。）

3.2 赛场上，各家都在押什么

Google 不是唯一在押这条路的：OpenAI 让最强模型单任务连跑约 25 小时、还能接管电脑操作；微软开源了通用多智能体系统 Magentic-One；Anthropic 则在把「AI 干活时间」按小时收费。大家已经形成共识：下半场比的不是「谁脑子快」，是「谁能连续干几天活还不翻车、还花得起钱」。

3.3 给你三个判断

  1. 对普通用户：别焦虑。 三件套里一个是预览版、一个是论文、一个只限非商用。你每天用的「问一句答一句」，就是这个赛道的日常。
  2. 对企业：不是不能碰，但请先配齐三样——算好的预算、能无人值守又安全的机器、人工验收和问责机制。缺一样都别急着上。
  3. 别信「AI 万能」：这次的数字再漂亮，也都是 Google 自己报的，还没独立验证；而且「AI 解开数学难题」不等于「AI 能管好你的重构项目」——数学题有标准答案，现实业务只有责任、没有标准答案。

一句话收尾：AI 能「连干好几天」的时代已经开始了。但对你们公司来说，真正要紧的不是 AI 哪天全知全能，而是——它干到第三天的时候，还记得第一天为什么出发吗？

参考：Google Antigravity Blog《Teamwork: When AI Becomes a Research Partner》(2026-08)；The Keyword《Gemini Multi-Agent Teams in Antigravity》(2026-08-31)；SKILL.state arXiv:2608.26263 (EMNLP 2026)；Google Research《TimesFM-3》(2026-08-31)；Microsoft《Magentic-One》(2024)。