一句目标跑 11 小时、一份协议管身份、一笔账按会话算：这一周 Agent 的目标、身份与成本
Google 把一次 11 小时的无人值守过夜跑完整写了出来，Sierra 与 Meta 牵头的个人代理协议放出草案，Artificial Analysis 则发布首批 agent 推理基准结果：这一周三条更新分别在写目标、定身份、算成本。
本期窗口是 2026 年 10 月 9 日到 10 月 16 日。
上一期 10 月 13 日上午发出，写的是 10 月 6 日到 10 月 13 日的三条，事件落在 10 月 9 日到 10 月 12 日。
本期与它在 10 月 9 日到 10 月 13 日重叠，两边事件不重复。第 2 条那份协议草案发布于 10 月 9 日，上一期没有取。
三条更新落在理解地图的三块。Google 在 10 月 13 日复盘了一次 11 小时的无人值守跑，落在 ① 目标与任务边界，兼及 ③ Harness/运行时 与 ⑦ 评测与指标。
Sierra 与 Meta 牵头的个人代理协议在 10 月 9 日放出草案，回答个人 agent 怎么向企业表明身份、拿到授权，落在 ④ 工具与协议，兼及 ⑥ 权限、安全与熔断。
Artificial Analysis 在 10 月 15 日发布首批 agent 推理基准结果，落在 ② 模型层，兼及 ③ Harness/运行时 与 ⑦ 评测与指标。
三条连起来是一条线：目标怎么写下去、身份怎么接进来、账按什么单位算。
1. 一句目标跑 11 小时：无人值守那次跑，边界写在哪
（对应地图 ① 目标与任务边界，兼及 ③ Harness/运行时、⑦ 评测与指标）
发生了什么： 10 月 13 日，Google Cloud 的工程师在开发者博客上复盘了一次过夜跑。1
跑的对象是 Google 自己的开源 agent 框架。仓库 google/adk-python 约 20.5 万行代码、近 800 个源文件，背后有近 1.7 万个单元测试。
第一轮没有任何仓库说明，只给了两小时和一段话的目标：让 ADK 在任何 agent 身上都不产生明显开销。
目标里还带了两条约束：保持模型收到的东西与公开 API 不变，每个改动都配一个能抓住回归的测试。
Argon 在 7 分钟后写出基准脚本。之后 70 分钟它都在测量和读代码，一行 ADK 源码都没碰，最后找到了会话复制与包导入这两个真实瓶颈。
这一轮漏在维护者的规矩上。它给 ADK 的鉴权模块挂了一个自定义 hook，悄悄改了公开的 JSON schema。
自制的拷贝器漏了 mock 事件的边界情况；它只跑了 216 个邻近的单元测试；PR 描述里没有基准数字。
第二轮改了两处。团队把维护者的评审规范写进仓库的
.agents/skills 目录。这份材料像给新工程师的入职指南，每个 skill 用一个简短的索引文件开头，按需指向细则。2
另一处是打开 Antigravity 的 /goal 模式。这个模式让目标跨上下文压缩保留下来，agent 一直跑到任务完成。
目标里还加了两句：向 main 开一个维护者会批准的 PR，描述里带前后数字，不要合并。
第二轮从晚上 9 点 11 分开始，无人值守跑了 11 小时。动手之前，它读了 12 个规范文件。
接着它跑了四类负载的基线基准：包启动、200 步对话、一个 20 个子 agent 互相交接的测试应用、一个 12 节点工作流，各跑 30 次。
结束前 3 分钟，它还在审自己的 diff。它发现自己多 agent 缓存里的一个 bug，重跑全部 16,892 个单元测试之后自己停了下来。
这一轮的 PR 提了 6 个优化，动了 32 个文件。团队留下 2 个：会话历史在复制之前先过滤，重包改成按需加载。
砍掉的 4 个各有理由。多 agent 事件缓存依赖弱引用，Python 回收内存地址后可能把陈旧数据带进别的会话。
一项遥测检查读了 OpenTelemetry tracer 的私有属性，库升一个小版本就可能静默失效。
重写会话历史的格式化让核心路径更难读，在独立的留出基准上端到端时延却没有变化；工作流事件重放的查找索引只对合成的回放测试有帮助。
留下的两个也有副作用要处理。删掉三个顶层导入后，16,892 个开源测试全过。
25 个 Google 内部测试目标却失败了，因为它们直接给那几个被删掉的属性打了补丁。最终方案改用懒加载访问器，公开属性保持可打补丁。
合并后的数字来自一份 agent 从未见过的独立基准：每次计时跑三个回合，每个回合含四组并行工具调用。
158 个回合的一次运行从 65.6 秒降到 56.1 秒；长会话里的会话准备量降约 40%；
import google.adk 快 21%。新进程到第一个请求的时间基本没变，3.07 秒对 3.09 秒，被推迟的模块在第一个回合才加载。
官方因此建议生产服务器先发一次热身请求，再上正式流量。
机制是什么： 三件事。
第一件事，过夜跑能不能成，先看目标能不能活过上下文压缩。
ADK 把 agent 的每一次动作叫一个回合，调工具、跑一批并行工具调用、问一次 MCP server 都算。一次干几小时的活有上百个回合，中间要压缩上下文。
目标在压缩时丢掉，agent 之后的判断就会围着最近发生的事转。
第二件事，边界要写成 agent 读得到的文件。第一轮缺的是这个团队怎么评审代码，而这条规矩留在人脑子里。
第二轮把它放进仓库，agent 在动手前先读可见性规则和导入规则，再改第一行。
第三件事，长跑的账按「提了多少、留下多少」算。6 个提案留下 2 个是评审正常工作的结果。
模型能跨 40 个文件追调用链，判断某个创新有没有碰框架红线还是人的事。
团队把两轮里最好的部分合成一个 22 文件的改动，附 17 个新测试函数，评审后进入 main，提交信息写着这些改动由 Argon 生成。
面试可说句：
让 agent 无人值守跑长任务，我会先把三样东西落下来：一句能复述的目标，放在上下文压缩丢不掉的位置；团队规则写成仓库里它读得到的文件；目标里写清不能越过的东西，比如公开接口和模型看到的内容保持原样，再要求它交一个只能由人合入的产出。跑完之后真正的活是评审，Argon 提了六个改动，只有两个该留下。agent 负责探索，人负责做减法。
2. 个人 agent 怎么向企业表明身份：一份协议草案把权限拆成五块
（对应地图 ④ 工具与协议，兼及 ⑥ 权限、安全与熔断）
发生了什么： 10 月 9 日，Sierra 公布了个人代理协议（Personal Agent Protocol，简称 Poppy）的草案，并追加了 35 家设计伙伴。3
协议由 Meta 与 Sierra 在 10 月 6 日宣布共同开发，一起起步的是 Genesys、Instinct、NiCE、Rocket、Shopify、Stripe、Walmart。4
它要解决的现状，官方写得很直白。今天让个人 agent 替你去退货、改签、下单，多半靠它假装成你。
它用你的密码登录，在为人设计的页面上点来点去。
企业那边没有标准办法说明这个 agent 能做什么，客户的授权也说不清边界。企业剩下两个极端可选：把 agent 全挡在外面，或者放它进来当成你本人。
协议把两边的接口拆成五块。5
发现：企业在自家网站的标准地址放一个文件
/.well-known/poppy.json，说明怎么交互、客户怎么登录、开放了哪些 API 和它自己的 agent。会话：agent 以客户名义开始一次会话，可以先以访客身份。查库存、问退货政策这类事，访客身份通常够用。
agent 会表明自己是 agent，企业始终知道对面在替某位客户办事。
登录：要用到账户时，客户在企业自己的页面上走标准 OAuth 并选择授权范围。
企业允许的话，agent 也可以拿一个会话令牌代客户登录，令牌只带客户批准过的那部分权限。
一次会话跨所有渠道：同一个令牌在企业 API、网站和与它自有 agent 的对话里都有效。登录前问的问题和登录后改的订单属于同一次访问。
把事办完：企业自选开放哪条渠道。网页渠道里 agent 照常浏览，企业逐页套用客户的权限；API 渠道走 OpenAPI、MCP 这类标准接口。
企业自有的 agent 适合保修、换货这类要来回说话的任务。回复可以流式写出，企业也可以把请求挂着等有结果再回。
权限做成了档位。企业可以把「任何 agent 都能搜索房型」「登录后能看预订」「订房需要客户批准」「全权代表用户」分开选。
客户决定自己的 agent 只看账户，还是也能改动。
隐私上有一条具体做法：登录之前，企业只知道一个不含个人信息的稳定 ID。这个 ID 长期不变，企业认得出回头客，它在每家企业又各不相同。
底层用的是现成标准：OAuth、JWT、HTTPS、OpenAPI、MCP。API 与对话用短时的签名 JWT。
登录换来的是持久访问，范围限于企业为该登录方式允许的范围，直到用户或企业撤销。
现成案例在 Sierra Summit 上跑过一遍。Rocket 的产品副总裁 Alex McGillis 用 Meta 的个人 agent Muse 走按揭预批：Muse 到 Rocket 网站，通过 Poppy 找到 Rocket 的 agent，向 Alex 申请连接许可。
Alex 登录后共享按揭需要的信用与收入信息，两个 agent 谈定房价、首付和利率，几分钟后预批信就绪。
草案自己划出了留白，挂在协议站的开放议题里：支付、推送通知、附件。
推送通知要解决的问题是，企业在没有任何请求开着的时候怎么找到个人 agent；附件包括收据、退货标签和要用户填的表单。6
官方写明，到 1.0 之前，一次修订可以和更早的草案不兼容。反馈收在 GitHub issue 上，站里还提供一份 agent kit，内含
AGENTS.md，让 agent 照着读文档并写出格式可用的反馈。机制是什么： 三件事。
第一件事，个人 agent 进企业系统，卡在身份这一步。企业要回答两个问题：对面是不是 agent，它在替谁办事。
用客户密码登录的方式两个都答不上。协议把它们拆开：访客会话证明「我是 agent」，登录证明「我代的是谁」。
第二件事，授权要能跨渠道复用，也要能收回。同一份令牌在 API、网页、企业自有 agent 上通用，客户不必为同一件事反复登录。
企业拿到的是完整的一次访问。持久访问按登录方式限定范围，撤销权留在用户和企业手里。
第三件事，协议的成败取决于企业接一次能换来多少东西。企业接一次，谁的 agent 接进来都用同一套。
扩展点留给支付、推送与交互元素，行业想加支付可以自己往上叠一层。
面试可说句：
让个人 agent 替用户去企业办事，我会先把身份和授权分开：访客会话证明对面是 agent，登录证明它替谁办事，令牌只带客户批准过的那部分权限，用户和企业都能撤回。同一个令牌要能跨网站、API 和企业自己的 agent 复用，否则客户每跨一条渠道都要重新授权一次。看这类协议能不能用，我会先问它留白了什么，Poppy 草案里支付、推送通知和附件都还空着。
3. 一条 agent 会话长什么样：97% 的输入是重复的
（对应地图 ② 模型层，兼及 ③ Harness/运行时、⑦ 评测与指标）
发生了什么： 10 月 15 日，Artificial Analysis 发布 NVIDIA Vera Rubin NVL72 的首批 AA-AgentPerf 结果。这个基准 6 月上线，测的是一套系统能同时服务多少个 agent，同时维持市场上真实存在的服务水平。7
它重放的是真实编码 agent 的轨迹：agent 在公开代码仓库里解 issue 时产生的请求序列。
每个模拟 agent 依次跑三条轨迹，每条回复之后按真实的工具调用时长停一下。
轨迹形状是从 500 条轨迹、18,997 个请求里量出来的。单请求输入最多 13.2 万 token，均值约 2.7 万。
一条轨迹最多向模型发 1,100 万输入 token；单轮新增最多 6.9 万 token；工具调用之间最长停 5 秒。
输出的另一头：模型回复的中位数约 150 token，P95 约 2,000 token，多数就是一句工具调用。
最关键的数字是重复率，平均 97% 的输入 token 是上一轮已经发过的前缀。
排行榜的主指标是每兆瓦能同时服务多少个 agent，服务水平按每个 agent 的输出速度与首 token 延迟分档。
以 DeepSeek V4 Pro 为例，三档分别是每 agent 20 token/s 且首 token 不超 10 秒、60 token/s 且不超 5 秒、180 token/s 且不超 3 秒。8
结果上，Vera Rubin NVL72（72 个 Rubin GPU 加 36 个 Vera CPU）在四个模型上的每兆瓦吞吐最多领先上一代 GB300 NVL72 约 5.7 倍：DeepSeek V4 Pro 在每用户约 190 token/s 时约 5.7 倍，DeepSeek V4.1 Flash 约 5.4 倍，GLM-5.2 约 3.0 倍，Kimi K3 约 2.8 倍。
同一个速度点上也有代价。每用户约 165 token/s 时，Vera Rubin 的首 token 中位 1.65 秒，GB300 是 1.08 秒。
按端到端速度算，GB300 在多数速度点上追平或更好。Kimi K3 的高并发配置里，首 token 的 p95 到了 9.3 秒。
同一天还给出了一条本地结果：一台 NVIDIA RTX Spark N1X 笔记本用 Qwen3.8 27B 在 18.7 分钟里跑完了这套 agent 负载。9
机制是什么： 三件事。
第一件事，agent 的流量形状决定了账怎么算。上下文只增不减，工具返回一个大文件就多几万 token。
模型自己的输出常常只有一句工具调用，两轮之间还要等工具跑完。同一件事花的钱取决于这条形状，单价表只给出单位价格。
第二件事，钱和容量压在缓存与会话粘性上。97% 的输入是上一轮的前缀，服务端把这段留在缓存里，就只用预处理新加的那部分。
请求落到一台没有这段缓存的机器上，前缀就得重算一遍，同一块硬件在不同配置下因此差出数倍。
第三件事，服务水平把能不能用写进了指标。这个基准不拼峰值吞吐，它问的是在同一档每 agent 速度与首 token 延迟下能塞进多少个 agent。
每兆瓦吞吐的领先和更慢的首 token 出现在同一批结果里，选型就是在这两头之间取舍。
面试可说句：
估 agent 的成本，我会从一条会话的流量形状开始：上下文一路涨，输出常常只有一句工具调用，两轮之间还要等工具，而九成以上的输入 token 是重复的前缀。这条形状决定了钱花在缓存和调度上，容量要按「在同一个服务水平下能同时跑多少个 agent」来算。Artificial Analysis 这批结果里，配置不同，每兆瓦吞吐能差出几倍，所以要比的是配置和缓存命中。
本期填入地图的三块
| 更新 | 地图模块 | 关键机制 | 面试抓手 |
|---|---|---|---|
| Google 公开一次 11 小时无人值守跑：Gemini 4 Argon 优化 google/adk-python，2026-10-131 | ① 目标与任务边界（兼③⑦） | 目标要跨上下文压缩保留；团队规则写进仓库里 agent 读得到的文件；不可越过的部分写进目标本身；产出按「提了多少、留下多少」算账 | 三问：目标放在压缩丢不掉的位置了吗、规则在 agent 读得到的地方吗、跑完之后谁做减法 |
| Sierra 与 Meta 公开个人代理协议草案（Poppy），2026-10-06 宣布、2026-10-09 发草案3 | ④ 工具与协议（兼⑥） | 访客会话证明「我是 agent」，登录证明「我替谁办事」；令牌跨网站、API、企业自有 agent 复用；权限分档、可撤销；支付、推送、附件仍是留白 | 四问：企业知道对面是 agent 吗、知道它替谁办事吗、令牌带的是哪几项权限、怎么撤销 |
| Artificial Analysis 发布 AA-AgentPerf 首批 Vera Rubin NVL72 结果，2026-10-157 | ② 模型层（兼③⑦） | 一条会话 97% 的输入是重复前缀；输出中位约 150 token；成本与容量压在缓存与会话粘性上；服务水平写进指标 | 三问：上下文涨到多少、重复前缀留没留在缓存里、同一个服务水平下能同时跑多少个 |
跨期口令再加一句：目标写清 → 工具接对 → 环境真隔离 → 权限默认最小 → 随时能停 → 环境可恢复、状态可序列化 → 监督看三个率 → 边界按「碰得到」限定，撤销要能打断在飞的会话 → 出网路径逐条清点，策略执行点放在 Agent 够不着的地方 → 评测先问判的是哪一段，授权先问怎么撤销 → 恢复按步骤存，扩展先读清单，并行留好归属 → 评测先证分数掉在哪一维，模型按步选，边界交给够不着的那一层 → 出网列清单、编排先定预算、改进先能复测 → 目标要活过压缩，身份先自报再办事，账按一条会话算。
References
- 1
- 2google/adk-python 仓库的 .agents/skills 目录
github.com
- 3
- 4
- 5Personal Agent Protocol：协议首页
personalagentprotocol.org
- 6Path to 1.0（Personal Agent Protocol）
personalagentprotocol.org
- 7
- 8
- 9
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.