Linux.do 论坛一位开发者发帖称，自己只为进销存系统设置了一句“增加增删改查功能”的目标，AI Agent 却连续运行超过20个小时，从前一天晚上一直跑到第二天晚上仍未结束，令其直呼“蚌埠住了”。据其介绍，该方案采用 OpenAI 的 Codex 作为编程 Agent 框架，后端接入 DeepSeek V4.1 Flash API。帖子发布后引发社区关注，目前已有4位参与者参与讨论。这一现象折射出当前 AI 编程 Agent 的普遍痛点：当目标描述模糊、缺乏明确验收标准时，Agent 容易陷入反复探索、过度验证或循环执行的状态，导致简单任务的实际耗时远超人工预期。Codex 是 OpenAI 推出的编程 Agent 工具，支持接入第三方模型 API；DeepSeek 则是国内主流大模型之一，其 API 以低成本、高速度著称，Flash 类轻量版本尤其适合大批量调用，不少开发者习惯将其与各类 Agent 框架组合使用。低成本固然让长时间运行在费用上可以承受，但时间成本与产出效率的失衡，正成为开发者社区讨论的焦点话题。
事件分析
从技术角度看，此类“Agent 失控长跑”通常源于任务描述过于笼统，缺少明确的完成定义与边界条件，模型在计划、执行、验证环节反复徘徊，难以触发终止条件。Codex 支持自定义模型接入，Flash 类轻量模型响应快、调用成本低，但在复杂推理与任务规划能力上可能弱于旗舰模型，客观上加剧了低效循环。产业层面，该现象反映出 Agent 产品的竞争焦点正从“能否完成任务”转向“以何种效率完成任务”，时间成本开始与 API 费用一并被纳入选型评估。后续走向上，社区讨论或将更多集中于 Agent 的终止判据设计、任务拆解粒度、进度可视化与人工介入机制，模型厂商也可能通过强化指令遵循与规划能力来缩短任务收敛时间。
核心观点：Agent 的价值不在能跑多久，而在多快收敛：缺少终止判据的自动化，只是把人工成本换成了时间成本。
原文链接：Linux.do
