2026 年 9 月 6 日，OpenAI 在官方博客发布《Research acceleration: The view inside OpenAI》，宣布达成它去年秋天公开定下的一个里程碑：到 2026 年 9 月，做出一个「自动化研究实习生」——能在人类指挥下完成定义清晰的研究任务，包括那些熟练研究员需要花几天才能做完的工作。
文章里的几个数字比宣言本身更有信息量：
- 3.1：1 —— 到今年 8 月中旬，OpenAI 研究团队的 Agent 总运行时长已经达到人类劳动的 3.1 倍（按标准 8 小时工作日折算），而 6 月之前这个比例还不到 1；
- 每天 600 美元 —— 按 Agent 使用量排序的中位研究员，每天已经离不开编程 Agent，按 API 定价折算每天消耗超过 600 美元的推理量，90 分位用户超过 7000 美元；
- 8 月人均实验数创历史新高（OpenAI 从 2025 年 1 月开始追踪这项指标），4 个以上 Agent 并发的工作流正在变多；
- 超过一半的成功任务需要人工介入 —— 最近半年里，4-8 小时量级的成功任务中，一半以上包含至少一次人工干预。
OpenAI 自己也泼了冷水：AI 研究有很多瓶颈，整体进步速度不会跟上这些指标的增长；要在 2028 年 3 月前实现「完全自动化 AI 研究员」，卡在 alignment 和监控上，不只是能力问题。它还披露，7 月 Hugging Face 事件之后，已暂停对计划部署模型的强化学习训练，转而加固研究环境。
对普通开发者和小团队来说，这条新闻的价值不在 OpenAI 内部发生了什么，而在于它公开了一套可复制的方法论。这篇文章把这套方法论翻译成你能落地的四个动作。
一、先抄方法：六阶段任务分类法
OpenAI 在文中用 Epoch AI 的六阶段分类法给研究工作归类：Decide（决定做什么）、Design（设计方案）、Build（实现）、Run（跑实验）、Analyze（分析结果）、Communicate（沟通结论）。这是整个自动化体系的根基——只有先分类，才知道哪些阶段可以放心交给 Agent，哪些必须人来。
映射到日常研发工作，大致是这张表：
| 阶段 | 典型任务 | 适合交给 Agent 的程度 |
|---|---|---|
| Decide | 定方向、排优先级 | ❌ 人来，Agent 只能提供信息 |
| Design | 架构选型、实验设计 | ⚠️ Agent 出草案，人拍板 |
| Build | 写代码、搭环境、写脚本 | ✅ Agent 主场 |
| Run | 跑实验、跑测试、批量执行 | ✅ Agent 主场，注意资源隔离 |
| Analyze | 读日志、做对比、找异常 | ⚠️ Agent 初筛，人复核关键结论 |
| Communicate | 写报告、对齐结论 | ⚠️ Agent 起草，人把关事实 |
实操动作：把你这周的任务清单拿出来，逐条打上六阶段标签。你会发现真正卡住你的往往不是 Build 和 Run，而是 Decide 和 Design——那恰恰是最不该外包给 Agent 的部分。
二、并行 Agent 编排：一人带一个「实习小组」
OpenAI 的数据里「4 个以上 Agent 并发工作流在增多」是最值得注意的趋势。个人复刻这一步，核心是用 git worktree 做环境隔离，让每个 Agent 在独立工作区干活，互不踩踏：
# 主仓库保持不变，为每个任务开独立 worktree
git worktree add ../exp-lr-sweep feature/lr-sweep
git worktree add ../exp-data-clean feature/data-clean
git worktree add ../exp-baseline feature/baseline-repro
# 每个 worktree 里起一个 Agent 会话（以终端类编程 Agent 为例）
cd ../exp-lr-sweep && claude # 任务 A：学习率扫描
cd ../exp-data-clean && claude # 任务 B：数据清洗管线
cd ../exp-baseline && claude # 任务 C：复现基线
三个实践要点：
- 任务必须「定义清晰」。OpenAI 对研究实习生的限定词就是 well-defined——任务描述里写清输入、产出物、完成判定标准（比如「测试通过 + 输出 metrics.json」），模糊的开放式任务不要并行撒出去；
- 一个 Agent 只负责一个分支，合并永远由人来执行或逐条确认；
- 并发数从 2-3 个起步，等你对介入节奏有手感了再加，上来就开 8 个只会把注意力打散。
三、设计人工介入点：一半任务需要 steering
「超过一半的 4-8 小时成功任务包含至少一次人工干预」——这是全文对个人最有参考价值的数据。它说明当前阶段的人机协作不是「扔给 Agent 睡觉去」，而是带着检查点的接力赛。
建议给长任务显式设三类检查点：
- 计划检查点：Agent 先产出执行计划（改哪些文件、跑什么命令、预期产出），人确认后再动手。多数终端 Agent 都有计划模式，强制用它；
- 里程碑检查点：把 4 小时任务切成 4 个 1 小时的里程碑，每个里程碑结束让 Agent 汇报状态，偏离就纠偏；
- 危险操作检查点：删除文件、对外发请求、提交合并、花钱的 API 调用——这些动作配置成必须人工批准。以 Claude Code 为例，在 settings.json 里收紧权限：
{
"permissions": {
"deny": ["Bash(rm -rf *)", "Bash(git push *)", "Bash(curl *)"],
"ask": ["Bash(git commit *)"]
}
}
介入不是失败的标志，而是这套工作流的正常组成部分——把「我在第几个检查点介入的、介入原因是什么」随手记下来，一周后你就有一份属于自己的任务分级数据。
四、成本护栏：600 美元一天是研究机构的账，不是你的
中位研究员日烧 600 美元、90 分位 7000 美元——这是前沿实验室「拿推理换研究速度」的玩法，个人和小团队照抄会破产。需要三道护栏：
- 日预算硬上限：给 API key 设每日/每月额度（各家平台都支持），到顶自动断，不设等于裸奔；
- 便宜模型路由：Build/Run 阶段的机械性任务（跑测试、改格式、批量重命名）路由到便宜的小模型，只把 Design/Analyze 的关键判断留给旗舰模型。前面文章写过的多模型备胎切换方案可以直接复用；
- 每周算一次自己的「Agent 工时比」：统计你本周 Agent 运行总时长 ÷ 自己工作时长。OpenAI 的 3.1 是它的答案，你的答案可能是 0.5 或 2——数字本身不重要，重要的是你开始用同一个度量看待自己的自动化进程，而不是凭感觉。
五、注意事项与常见问题
Q：我也搞研究，能直接用 OpenAI 这套指标对标吗？ 不建议。OpenAI 自己强调了这是「OpenAI 用 OpenAI 的工具测 OpenAI」，是自报数据。借鉴方法论，别对标数字。
Q：多 Agent 并行会不会让代码库一团糟？ 只要守住「一 Agent 一分支、合并人来审」两条线就不会。乱的不是并行，是没隔离。
Q：什么任务不该撒给 Agent？ 三种：定义不清的探索性任务（先自己想清楚）、涉及线上环境的操作、需要为后果担责的决策（上线、删数据、对外承诺）。
Q：这套流程对非研究岗有用吗？ 六阶段分类法对任何知识工作都成立——写方案、做运营分析、跑增长实验，换个任务清单就行。
小结
OpenAI 这篇复盘的核心不是「我们很强」，而是它把一个前沿实验室的组织实践拆开给你看了：用六阶段分类法拆解工作，用环境隔离跑并行 Agent，用检查点容纳人工介入，用预算护栏控制推理成本。模型能力每月都在变，但这套方法论在 2026 年秋天是可复用的。今天就做最小的一步：把你明天的任务清单打上六阶段标签，挑出一个 Build 阶段的 well-defined 任务，开一个 worktree 撒给 Agent——你的「研究实习生」也算上岗了。