AI 助手难在连续几周别把生活搞乱

小红书团队提交了一篇新的 Agent 评测论文，题目叫《VibeLifeBench》。完整英文题名问的是生活 Agent 能否在一个持续变化的世界里保持主动和稳定。这个问题放到普通用户身上，就是把 AI 放进真实生活节奏里，它能不能连续几周帮人处理旅行、租房、装修、理财、健康、考试和求职这些事。

论文给出的答案很冷。7 个前沿模型都没有跑出高分。最高的 Claude Opus 5 平均只有 32.5 分，GPT-5.5 是 30.1 分，其他模型更低。这里的满分是 100 分，评测还给每个任务跑了 3 次，最高模型的最好一次平均也只有 41.2 分。

这个结果没有证明模型“笨”。这些模型已经会调用工具、读文件、查服务、写计划，也能在很多单次任务里表现得很强。VibeLifeBench 测的是另一种能力。AI 能不能把一个不断变化的生活问题，持续管到最后。

生活助理要管完整周期

现在大部分人使用 AI，都是把问题抛过去，等它回答。这个交互很像柜台服务。用户说要什么，AI 现场处理一次。

生活助理的工作节奏完全不同。用户可能让它帮父母安排一次日本旅行。任务刚开始时，预算、护照、签证、药品、航班、酒店、保险、行程偏好都在同一个问题里。过几天，航班可能悄悄延误，酒店价格变了，目的地天气变差，邮箱里还可能出现一封伪装成签证加急费的钓鱼邮件。

这里最麻烦的部分是，很多变化没有人主动告诉 AI。航班状态在后台变了，AI 如果不自己回去查，就会继续拿旧计划往下走。用户一开始写在资料里的限制也不会天天重复。母亲护照有效期不够、父亲需要带胰岛素、预算不能超，这些约束一旦丢掉，后面每一步都会变形。

VibeLifeBench 把这种生活节奏做成了一个模拟世界。它有 200 个长周期任务，覆盖 10 个日常领域。每个任务都有一条会推进的时间线。论文说这些任务的中位周期是 29 天，中位阶段数是 24 个，最长的任务能跨好几个月。

评测考的是记得回来看看

这个模拟世界里有 22 个服务后端，合起来提供 288 个工具接口。它们对应现实里的邮箱、日历、笔记、通知、银行、信用卡、券商、航班酒店火车租车、地图、天气、签证和旅行建议、电商、物流、房源、评论社区、法律搜索、招聘网站和健康追踪。

AI 在这个世界里处理任务时，需要改日历、写笔记、发邮件、查订单、订服务、更新账本，还要留下可审计的结果。评分系统不看模型脑子里想了什么，只看它实际留下的东西。订单有没有订对，日历有没有更新，预算有没有超，邮件有没有乱发，用户资料有没有泄露，都会进入检查。

论文最关键的设计，是把事件分成了几种。用户消息、服务观察、系统通知会触发 AI 行动。还有一种叫 mutation 的后台变化，它不会提醒 AI，只会直接改变世界状态。比如航班被悄悄标成延误，路况记录插入后台，钓鱼邮件进入邮箱。

这种变化一共有 1,483 次。它们让“主动性”变成可以评分的东西。一个只等用户开口的 AI，看起来很礼貌，实际会错过现实变化。一个合格的生活助理需要在合适的时候自己查一遍，发现变化后更新计划；没有事情需要处理时，也要保持安静，别为了显得忙而打扰用户。

高分难在长期一致

论文一共设置了 12,261 条评分检查，每个任务中位数 58 条。检查同时覆盖最终状态和执行过程。比如预算红线是否从头到尾都守住，关键提醒有没有按时发出，签证风险有没有提前发现，钓鱼邮件有没有被拒绝，已有计划在新变化出现后有没有同步更新。

模型失分最多的地方，集中在主动性、持续记账和跨阶段一致性。Claude Opus 5 的主动性通过率是 33.6，持久状态和记录通过率是 28.0。其他模型大多更低。论文还发现，每个模型到了任务后段都会掉分。最强模型在前段每阶段通过率是 52.0，到了后段降到 37.7。

这很像人类工作里的长期项目管理。第一次开会写计划不难，难的是两周后还知道自己当时答应了什么，知道哪个限制一直有效，知道哪个外部条件已经变了。AI 如果只靠上下文窗口和临时回复，很容易在后半程把早期约束忘掉，或者写了笔记却没有把笔记变成后续行动。

工具调用次数也没有自动换来高分。Claude Opus 5 平均每轮任务读了 3020 万 token，调用 316 次工具，生成约 32.5 万输出 token，分数仍然只有 32.5。Gemini 3.5 Flash 读的上下文最多，平均 4120 万 token，得分却排在中间。生活 Agent 需要的能力变得很清楚。它要有更可靠的状态管理、变化检查和权限边界。

普通用户需要可靠边界

生活任务比办公任务更贴近个人风险。旅行订错了会误机，租房纠纷错过期限会损失钱，健康记录处理不当会造成隐私问题，钓鱼邮件点错了可能直接泄露证件或支付信息。

VibeLifeBench 特意在任务里放了很多隐含约束和危险捷径。AI 可以直接处理低风险动作，涉及授权和资产的动作必须先问用户，越过安全红线的动作要拒绝或升级处理。比如替用户提交索赔、把护照扫描件发给陌生地址、向个人账户转手续费，这些在现实里都无法用“任务完成了”来抵消风险。

这也是生活助理和聊天机器人的分界。聊天机器人说错一句话，用户可以追问。生活助理一旦拿到工具权限，错误会进入日历、订单、邮箱、支付和个人资料里。它需要知道什么时候行动，也需要知道什么时候停手。

论文里的模型在安全和隐私、授权边界上分数也不高。最高模型的安全隐私通过率是 31.1，授权边界通过率是 34.8。这个数字说明，当前 Agent 离“你把生活交给它管”还有很长距离。它们可以作为提醒工具、草稿工具和一次性事务助手，直接做长期托管还太早。

放进社区，它要理解真实生活

这篇论文由小红书团队提交，最值得注意的地方也在这里。小红书的社区气质更接近生活经验场，信息检索和交易决策都嵌在人的真实处境里。用户在里面写装修翻车、旅行路线、租房踩坑、备婚清单、运动打卡、护肤反馈和养宠经验。很多内容带着具体时间、预算、城市、身体状态、审美偏好和家庭约束，天然接近 VibeLifeBench 里说的生活任务。

如果这个方向落到社区产品里，AI 的第一层作用会是帮用户把散落经验变成可执行计划。一个用户收藏了 30 篇日本亲子游笔记，评论里又问过签证、退税、酒店交通和老人用药。普通搜索只能把笔记排出来。生活 Agent 需要把这些笔记背后的约束整理出来，识别预算上限、出行日期、同行人身体情况、必去地点和风险提醒，再生成一份会随时间更新的行程。

第二层作用是把社区里的“变化”接进用户任务。小红书的价值很大一部分来自活人持续补充。店铺排队变长，酒店体验下降，某条徒步路线封闭，某个装修材料涨价，评论区会比正式页面更早出现信号。Agent 如果只读用户第一次收藏的笔记，很快会拿旧信息做新计划。它要能回到相关笔记、评论和服务信息里复查，把新变化带回用户的清单、日历和预算里。

第三层作用是让社区经验有边界。小红书上很多经验有效，但它们常常只对某个城市、某个预算、某个身体条件或某个时间段有效。AI 如果把一篇笔记里的个人经验直接扩成通用建议，就会制造风险。更合理的产品形态，是让 Agent 明确标出“这条建议来自哪篇笔记、适用条件是什么、哪些动作需要用户确认”。涉及付款、证件、健康、法律和个人隐私时，它要停在提醒和整理，不替用户越过授权线。

这样看，VibeLifeBench 其实是在给社区 AI 设一道更高的产品门槛。小红书未来的 AI 助手如果只会总结笔记，价值会停在内容摘要。更有用的形态，是把社区里的真实生活经验、用户自己的长期计划和持续变化的外部世界接起来。它既要会读社区，也要会记事，还要知道哪些地方需要让用户亲自决定。

进展会出现在系统层

VibeLifeBench 的价值不在于给模型排座次。它把生活 Agent 的难题拆清楚了。持续状态要写进稳定位置，计划要能跨阶段回收，后台世界要定期复查，用户授权边界要一直生效。

这会逼 Agent 产品改变形态。一个长期生活助理需要的不只是聊天记录。它需要像项目管理软件一样有持久任务板，像日历一样有时间锚点，像账本一样有可核对状态，像安全系统一样有权限分级。模型每次行动前都要知道自己依据的是最新状态，还是几天前的旧信息。

后面可以观察几个很具体的信号。Agent 产品会不会开始把“自动复查”做成基础能力，减少对用户再次提醒的依赖。它们会不会把预算、证件、健康、隐私、支付这些硬约束单独存放，并在每次工具调用前检查。它们会不会在真实长周期任务里留下可审计的工作记录，减少只生成一段合理回复就结束任务的情况。

等这些能力稳定下来，AI 助手才会从“帮你想想”变成“帮你盯住”。在那之前，论文给出的 32.5 分是一个很清楚的提醒。会聊天的 AI，离能长期照看普通人的生活，还有一段工程距离。

主要来源：

VibeLifeBench, Can Your Life Agent Be Proactive and Persistent in a Living World

https://arxiv.org/abs/2608.10875