夜雨聆风374个想法，最后活下来的只有10个。 淘汰率超过97%，比任何一场大厂晋升答辩都残酷。干这件事的，是快手内部三个24小时连轴转的AI Agent，没有一个算法工程师因此掉过一根头发。
三周之内，主站App消费时长涨了0.561%，生活服务这条业务线的收入被拉到年化超1亿元。这几个数字，被快手写进了一篇48页的技术报告，挂在arXiv上，编号2606.26859。
先泼一盆冷水：网上流传的说法是「三个AI Agent跑了一年多，赚了一个亿」。这个说法经不起核对。论文白纸黑字写的是「三周生产窗口」，一亿元是把三周观测到的收益按年度口径折算出来的数字，系统本身满打满算只运行了三周。时间被压缩了，效果被放大了，这恰恰是这件事更值得细看的地方，三周，就够了。
三个「Agent」，到底是什么
先纠正一个更容易望文生义的误解：这三个Agent，跟能聊天的机器人助手隔着十万八千里，也跟套壳ChatGPT弄出来的自动回复工具毫无关系。
论文里更精确的说法是「三个AgentX worker」，每个worker内部又分了好几个角色：一个负责想点子，一个负责写代码改策略，一个负责跑A/B实验做裁决。三个worker并行工作，相当于三条流水线同时在快手的真实代码库、真实特征系统、真实A/B实验平台上运转，动的是能影响上亿用户信息流的生产代码，跟沙盒里的玩具环境隔着一整个次元。
过去十年，推荐系统这个领域拼的是模型够不够大、特征够不够细、序列够不够长。AgentX把战场挪到了另一个维度：从想法到上线的这条链路，能不能不再靠人一个个手动推进。
论文里有一段被反复引用的话：
"From the labor of algorithm engineers to the capability of agent systems."
「从算法工程师的人力，转向Agent系统的能力。」
工程师原来是怎么干活的？想一个点子，写代码，配实验，等结果，复盘，再想下一个点子，全程串行，一个人一段时间只能推进一两个实验。这个瓶颈，跟模型聪不聪明关系不大，卡住的是人力的吞吐量。
▲ 机器之心@jiqizhixin 发布的AgentX核心数据卡片，左侧是传统人工串行研发链路，右侧是Agent驱动的自迭代闭环。
这套系统在arXiv上的完整题目是《AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems》，作者按姓名首字母排序，署名里能看到长期活跃在推荐与广告算法圈的盖坤（Kun Gai），阵容横跨策略代码、模型训练、实验平台和监控审计好几个团队。
▲ AgentX论文在arXiv的摘要页，标题、长长的作者名单和四阶段方法描述一览无余。
374个点子，364个死在半路上
三周时间，AgentX一共产出374个实验想法：主站361个，生活服务13个。最后能拿到「可发布」资格、正式全量上线的，只有10个，主站8个，生活服务2个。
算成比例，端到端转化率只有2.67%。乍一看像是失败率高得吓人，实际上这恰恰是工业级研发漏斗该有的样子：想法足够多足够便宜，真正稀缺的是能被验证、能被信任的结果。
这套漏斗分四道关卡：想法先要通过初筛（idea pass），主站过筛率27.7%，生活服务46.1%；过筛的想法进入代码开发并上线灰度（code-&-launch），成功率九成以上；灰度之后是A/B正向评估（positive eval），这一关最狠，主站只有8.4%能拿到正向结果；最后才是可发布（LR）。一层层筛下来，374变成106，106变成100，100里最终活下来10个。
▲ 第三方论文精读平台Paper Archivist的页面，蓝色摘要框把三周、三个worker、374→10、+0.561%、年化超1亿等核心数字整整齐齐列了出来。
拿这套系统和真人工程师对比，账面上更有意思。按每个worker每周产出算，AgentX能同时跑12个实验，人类工程师平均只能跑1.5个，并发能力差了8倍。单位人力贡献的App时长增益，AgentX是0.0623%，工程师是0.0167%，差了3.7倍。
但有一行数字必须放进来一起看，否则整个故事会被讲歪：按每个点子算命中率，AgentX是2.7%，人类工程师是5.1%，人反而比AI高出近一倍。 换句话说，AI谈不上比人更懂推荐，胜在跑得更快、铺得更广。3.7倍的业务价值，是靠吞吐和并行堆出来的，跟精度碾压扯不上关系。这行数字，比前面所有倍数都更接近真相。
谁杀死了那364个点子？
这是整篇论文里最诚实、也最容易被自媒体标题忽略的一段。
268个没能通过初筛的想法里，研究团队做了归因分析：64.7%死于一个原因，参数资源冲突。说白了，就是想要的实验流量、想要的holdout配置，已经被别的在跑实验占用了，排不上号。另外14.5%是因为需要的特征在系统里压根没有暴露出来；7.5%撞上了刚性约束或白名单红线；6.4%是因为相关的开关默认关闭没打开；5.2%是想法和历史实验重复了；剩下不到2%才是想法本身立不住脚，或者技术上根本实现不了。
加总起来，大约91.4%的拒绝理由来自平台和基础设施，只有8.7%左右能算是Agent自己「想差了」。
▲ 论文附录中的模块复现与组合实验数据表，从中能看到工业场景下方法排名和公开数据集不完全一致。
编代码这一关同样如此。失败案例里，DSL语法用错、C++底层约束踩雷、if/else结构写歪这类「框架层面」的问题占了大头，真正意义上的算法逻辑错误不到5%。
这组数字翻译成大白话：这套系统最大的敌人，排队排不上、门锁着进不去，比自己够不够聪明麻烦得多。想再往前一步提升效率，砸钱换更强的大模型未必是最优先的选项，先把实验平台的排队机制和特征暴露程度理顺，回报可能来得更快。
两个活下来的故事
数字讲完了，讲两个具体案例，看看这套系统实际是怎么把一个「不够好」的想法，磨成一个能上线的结果。
第一个故事，关于PCV。 PCV全称Post-Consumption Value，指的是用户看完内容之后的行为，分享、收藏、二刷，这些动作比单纯的停留时长更能代表内容的长期价值，但也容易被标题党、猎奇内容污染。
第一轮尝试很简单粗暴：给PCV相关信号加权，把精排里的PCV权重往上调。上线一看，人均观看时长涨了0.034%，用户观看时长涨了0.021%，看着是正向的，但活跃设备数悄悄往下走，18到30岁这个年龄段的多样性指标也在承压。方向是对的，做法太糙。
第二轮改了思路：不再是简单加权，改成时长导向的基础打分，叠加一个质量门控，只有PCV表现超过某个阈值的内容才会被额外加分，同时根据用户活跃度动态调整权重。结果，用户观看时长涨到0.071%，真实曝光涨了0.118%，护栏指标全部稳住。
这个案例最有意思的地方在于，第一轮「不够好」的结果没有被扔掉，被存进了系统记忆，喂给了下一轮更强的假设。第二轮效果更好，只是这套记忆机制的副产品，失败没有被浪费。
第二个故事，发生在生活服务的广告场景。 一个专门做用户诊断的专家Agent，发现某一类用户结合职业信息和搜索行为，明显对汽车相关广告感兴趣，但现有系统没有很好地服务到这批人。这个诊断结果被交给AgentX，AgentX评估了可行性，做出了对应的投放控制策略调整，跑了A/B实验，最终这个案例带来了广告收入+4.7%的提升。
这说明AgentX的能力边界不止一条线：自己从零想点子、写代码、推上线是一条线；给任何领域专家的判断做执行放大器，是另一条线。人负责给出洞察，Agent负责把洞察变成能落地、能验证的产品改动。
同一天，腾讯也交了一份答卷
2026年6月25日，快手把AgentX的论文挂上arXiv的同一天，腾讯也挂出了一篇编号2606.27243的论文，代号NOVA，主题同样是工业推荐场景下的验证感知Agent系统。两篇论文互相没有引用对方，是完全独立的并发研究。
两套系统的侧重点不太一样。AgentX管的是从想法到代码到A/B到负结果沉淀的全链路；NOVA更聚焦在模型架构本身的演化，试哪种网络结构、哪种特征交互模块更好。AgentX用「语义梯度」这个说法描述系统怎么进化，指的是自然语言形式的失败诊断，用来更新Agent「怎么思考」；NOVA用的是「架构梯度」，更新的是「下一步该试什么结构」。
▲ 腾讯NOVA论文在arXiv的摘要页，同样聚焦工业推荐场景下的验证感知Agent系统。
两家头部平台公司在同一周交出了方向近似的答卷，这件事本身传递的信号，比任何一篇论文单独的结论都更重要：用Agent重构推荐系统的研发方式，已经成了整个行业不约而同在做的选择，早就不只是某一家公司自己在闷头尝试。
而这次故事里最大的卡点，从头到尾都跟「模型够不够聪明」没多大关系，卡在实验平台的资源排队和特征基础设施的完备程度上。这意味着，想复制这套打法的团队，真正该优先砸钱的地方，或许是实验平台的治理能力，而非再多买几张显卡。
推荐系统下一阶段的较量，未必只看谁的模型参数堆得更大，也可能要看谁能把「提出假设、改生产代码、安全实验、把经验存下来」这条又脏又累的链路，先跑成一台可以自己越转越快的机器。快手用三周真实流量交出的这份答卷，证明了这件事至少在一家公司内部行得通。同时它也提了个醒：卡住整个系统的往往跟AI够不够聪明没多大关系，卡在脚下这块实验田够不够平整。
