产业现在几乎只报一个数：任务平均成功率。这个数两年里涨得很快，所以部署热情很高。航空和核电几十年前就分开了：平均表现不是可靠性。可靠性至少四块——同一条件下反复做对、条件变差时不散架、没把握时说出来、失败时伤害有界。把它们拆成十二项指标，用通用助手和客服模拟两套任务，十四个模型、十八个月的版本，每题跑五次并改写指令，再给工具注入故障、问它有多确信。能力涨得明显，可靠性只缓缓挪了一点，三家主流提供方挤在一起，像是行业共同短板。
一致性最难看：能做对的任务，原样再跑一遍也常翻车，结果稳定大约三成到七成五。真正的宕机和超时多数还能撑住，但把指令换成同义说法，成绩会掉一大截。校准几乎全军覆没：报出的把握经常没有信号，有的任务上区分对错不比瞎猜强。安全这边，新模型更少硬闯约束，但算错钱、收错费仍常见。更大的模型并不处处更稳：校准和鲁棒性可能更好，一致性反而更差，行为空间一宽，两次运行更容易分叉。
有人说准确率到百分之九十九，剩下百分之一不可预测也能忍。高风险无人值守做不到。那种场景要的是三个到五个九，现在的语言模型智能体看不出在往那个门槛走。不可靠每降一个数量级，难度大致相当：从九成到九成九，不会比从九成九到九成九九轻松。辅助工具可以打折——有人审输出；无人值守的流程不能打折。发布前要有可靠性门槛，失败要有事故记录文化，内部评测必须贴自己的数据和场景。
落地清单
- 评测至少多跑几次、换说法、注入故障，同时交可靠性和准确率，不要只交一次满分。
- 优先补一致性和校准：失败时能认、能停、能恢复，比再刷平均分更值钱。
- 辅助和自动化分开设门槛。创意助手可以不稳定；管钱、管工单的流程不行。
- 别假设「模型变大自然更稳」。有的维度会随规模变差，要分开盯。
能力榜解释不了为什么经济影响来得慢。可靠性是另一根轴，不单独做，部署会一直停在演示。
本文侧重智能体生命周期与技能边界。若你要动手验证，优先用 Playground 做小任务压测；权限与托管再单独规划，避免「先装一堆再治理」。 相关：Playground · 创建智能体 · 学习中心
常见问题 FAQ
什么是智能体不能只报一？
「智能体不能只报一」可概括为：同事可靠，不只是多数时候做对。还要同一题反复稳定、条件变了不垮、知道自己没把握、错了也不把局面搞砸。十八个月里能力榜涨得猛，这四项只缓缓挪了一点。 本文从定义、方法与实践要点展开说明。
为什么要关注智能体不能只报一？
关注智能体不能只报一，是因为它直接影响效率、风险与可复制性。文中指出：一致性最难看：能做对的任务，原样再跑一遍也常翻车，结果稳定大约三成到七成五。真正的宕机和超时多数还能撑住，但把指令换成同义说法，成绩会掉一大截。校准几乎全军覆没：报出的把握经常没有信号，有的任务上区分对错不比瞎猜强。安全这边，新模型更少硬闯约束，但算错钱、收错费仍常见。更大的模型并不处处更稳：校准和鲁棒性可能更好，一致性反而更差，行为空间一宽，两次运行更容易分叉。
如何落地智能体不能只报一？有哪些关键步骤？
建议按以下路径推进智能体不能只报一：1) 评测至少多跑几次、换说法、注入故障，同时交可靠性和准确率，不要只交一次满分。；2) 优先补一致性和校准：失败时能认、能停、能恢复，比再刷平均分更值钱。；3) 辅助和自动化分开设门槛。创意助手可以不稳定；管钱、管工单的流程不行。；4) 别假设「模型变大自然更稳」。有的维度会随规模变差，要分开盯。。细节见正文对应章节。
智能体不能只报一适合哪些人或团队？
智能体不能只报一更适合：产品/技术负责人、运营与增长团队、需要落地智能体或自动化的中小团队、关注「AI智能系统」方向的读者。若你只需要单次聊天式问答，可先读概念；若要上生产，请重点看步骤、权限与风控相关段落。
关于「落地清单」，本文给出了什么结论？
「落地清单」是理解全文的关键切片：建议先读该节的结论句与列表项，再对照前后章节形成闭环。
实践智能体不能只报一时常见误区有哪些？
常见误区包括：① 只追工具不建流程；② 没有权限/审计边界就上生产；③ 缺少指标与回滚方案；④ 把演示效果当成稳定 SLA。针对智能体不能只报一，请以正文中的检查清单与约束条件为准，小范围验证后再扩面。