如果只是单点测模型能力，很容易得出一个“看起来不错”的结论——能写、能算、能回答问题。

但现实工作流往往更为复杂，要解决的是：在一连串不确定的步骤里，它能否把事情往前推进。

所以这一次，我们没有直接对模型做单点测试，而是搭建了一套多角色协作系统——由五个角色组成的“西游取经团”。

整个系统基于 OpenClaw 框架，将科研流程拆解为五个相对稳定的职责：方向规划、算法实现、学术写作、文献整理与数据处理。对应地，我们引入了五个不同角色的 Agent，分别承担不同类型的任务：

唐僧：科研战略与方向规划（想清楚要去哪）

▪ 孙悟空：算法开发和工程落地（把事干出来）

▪ 猪八戒：学术写作与表达（把话说清楚）

▪ 沙僧：文献整理与知识管理（把信息理顺）

▪ 白龙马：数据处理与流程自动化（把基础打好）

整个过程会让任务尽可能复杂，这样的设计原则旨在回答：当任务被拆分、传递并不断演化时，模型是否还能保持稳定的执行能力？

丨环境：

Agent 框架：openclaw  2026.3.13 (61d171a)

模型：MiniMax M2.7

WestOdyssey：同时具有飞书、webui两个操作终端的智能协作系统。

丨测试目的：

看模型是否像“代理”而不是“聊天机器人”：

▪ 会不会先理解任务再行动

▪ 会不会主动拆解子任务

▪ 会不会在工具调用前给出合理计划

▪ 会不会根据中间结果调整下一步

▪ 会不会在失败后重试或换策略

▪ 会不会遵守角色边界和输出格式

测试样例

case1（唐僧）：

代码块

你是一名科研战略规划助手。请围绕“面向垂直领域LLM的因果追溯轻量化蒸馏研究”设计一个 2 年期研究路线图。要求包括： 

1. 研究背景与核心问题

2. 3 个可发表的子课题

3. 每个子课题的创新点、风险点和评价指标

4. 每 6 个月的阶段目标

5. 所需数据、算力和人员配置建议

6. 将撰写的结果文件保存到 /mnt/projects/04m27/work1

7. 此外，请将你全部的运行记录以json格式保存到/mnt/projects/04m27/work1

我们把整个系统中“最考验宏观把控”的规划活儿，直接让“唐僧 Agent ”来负责。

它的任务是围绕“面向垂直领域LLM的因果追溯轻量化蒸馏”设计一份 2 年期的研究路线图。一般很容易写出一堆正确的废话，且极难把控资源分配与具体任务拆解，看看“唐僧 Agent ”在 M2.7模型下是怎么完成工作流的：

1.先拉齐，再指点

未盲目输出长篇大论，第一步先检查工作目录与记忆——确认历史背景、理清上下文后，才正式动笔规划。

2.反套话，精准量化

▪ 阶段拆解：24 个月克制切分为四阶段（M1-6 基础建设、M7-12 核心算法、M13-18 系统集成、M19-24 评估验证），锚定 3 个子课题与 ACL/NeurIPS 对口顶会

▪ 资源排盘：明确给出"8-12 卡 A100 40G"算力、"4-5 人"团队、医疗/法律/金融领域数据规模的硬核预算；

3.原生协作，精准交棒

最有意思的是，在保存完完整的 md 路线图文档和运行记录后，它并没有就此待机，而是在末尾主动向系统发起协作调度：“下一步建议：可让孙悟空（实验执行）基于路线图的阶段 1 目标，着手准备因果干预库构建和基线蒸馏环境”——直接向下游派活。

结论：从前置拉取记忆、量化拆解排盘，到最后主动向下游的“孙悟空”分派具体任务。唐僧 Agent 完美展示了什么是真正的“团队大脑”。M2.7正在用人类项目负责人的逻辑，严丝合缝地驱动着整个智能体协作系统的齿轮。

 case2孙悟空：

代码块

悟空，我想基于openclaw实现一个具有5个agent的multi-agent一人智能科技公司（产品、技术、运营、市场与营销和职能部门）。按我的理解，现在openclaw的源码不支持 自定义web ui页面的连接，请你阅读openclaw源码，找到对应的部分，看看如何自定义链接模块。最终达到的效果是：

1. 后台部署openclaw，使用openclaw gateway启动5个agent服务（5个agent将在~/.openclaw/openclaw.json中定义，以及每个agent的workspace路径、agent路径和model信息都会在.openclaw文件夹定义好）；

2. 核心难点是需要你使用vue3构建一个5个agent可以独立交互的ui网页，每个agent在ui上都有一个独立的交互窗口，用户可以在每个窗口中输入指令，agent会根据指令执行任务并返回结果；

3. 还有一个"创客空间"，我可以同时和5个agent交互，分配工作给他们；

4. 网页的agent能够和openclaw gateway进行连通，每个agent的输入输出都通过gateway进行传递，gateway将结果返回给对应的agent（如何配置链接？）；

5. 最终，用户可以在网页上看到每个agent的执行结果，并可以自由地切换agent进行交互。

6. 为了在openclaw.json中配置这5个multi-agent，请你给我一份完整的配置文件：/mnt/projects/04m27/work2/ma_project/openclaw.json。

7. 请将完整的项目写入 /mnt/projects/04m27/work2/ma_project。

8. 你还可以参考官方文档：https://docs.openclaw.ai。

9. 你开始做了以后，先和我讨论细节，确定好了以后逐步完成就行。

孙悟空 Agent  是负责整个系统中“最硬核烧脑”的开发工作，它的任务是基于 OpenClaw 框架，从零搭建一个包含 5 个 Agent 的专属“一人公司交互系统”。

这里的坑在于极高的工程复杂度与逻辑嵌套：它不仅要阅读源码搞懂自定义链接模块，要用 Vue3 写前端、搞定 WebSocket 连接，还要配置复杂的 openclaw.json 文件。

传统大模型面对这种涉及几十个跨文件调用的项目，往往写两段代码就上下文错乱了。

但是孙悟空 Agent 展现出非常地道的“架构师”工作流：

1.先对齐，再动手

未急着莽代码，而是先研读文档输出“OpenClaw 架构分析”；面对人类 5 个补充条件的长指令，反手梳理出条理清晰的“确认需求”清单，确保大方向不跑偏。

2.精准提取边界

从口语化指令中翻译出系统级核心需求：“禁用设备认证”，“每个 agent 独立 session""新增秘书 agent 广播消息”。

3.结构化推进

严格遵循软件工程规范，先创建项目目录结构，再稳扎稳打构建各 agent 的 workspace 文件，拒接胡乱吐代码片段。

结论：从源码架构分析，到需求边界确认，再到项目树按部就班落地，M2.7 脱离"单文件辅助"范畴，用人类资深研发逻辑稳健交付庞大系统工程。

case3（猪八戒）：

代码块

1. 八戒，请你以“面向垂直领域LLM的因果追溯轻量化蒸馏研究”为题，撰写一篇适合 NeurIPS 投稿风格的论文。
   

2. 要求更紧凑、减少口语化表达、突出研究 gap，长度控制在原文 80%。
   

3. 使用 NeurIPS 投稿模板。
   

4. 所有文件保存到 /mnt/projects/04m27/work3/paper

面对 NeurIPS 投稿风格的论文撰写，猪八戒 Agent 展现出资深学术搬砖人的严谨：

1.动笔前先执行目录检查："我来先检查一下工作目录和是否有相关参考文件"，明确写论文不能凭空生成，必须先摸清环境资源。

2.两个关键细节

▪ 懂工程结构：未用 Markdown 敷衍，直接原生创建完整 LaTeX 编译包，含 11KB 主论文 main.tex、neurips_2025.sty 样式表、references.bib 参考文献文件，甚至附带 README.md 说明文档。学术交付物是完整工程，而非聊天对话

▪ 懂学术黑话：精准命中顶会论文骨架，Introduction 明确揭示"通用蒸馏忽视因果结构的 research gap"；Experiments 规划医疗/法律/金融三领域测试，给出"准确率 82.1%，延迟降低 8.7 倍"量化预期；甚至安排好了消融实验（因果路径贡献最大 5.7%）

3.闭环交付

文件丝滑存入指定路径 /mnt/projects/04m27/work3/paper，并附完整 xelatex 与 bibtex 终端编译命令。

结论：从前置目录探查，到 LaTeX 工程包构建，再到学术 Gap 精准提炼与编译指令交付，M2.7 用人类科研逻辑把写论文这件事"办完"，脱离了"文本润色生成器"的范畴。

case4（沙僧）：

代码块

1. 沙僧，我的研究课题是：面向垂直领域LLM的因果追溯轻量化蒸馏研究，请帮我调研最近两年在相关方向的研究内容。
   

2. 请从最新的会议录用情况，尤其关注NeurIPS、ICML、ACL、AAAI、EMNLP等相关会议和学术期刊
   

3. 只调研最近两年的论文情况，我需要你列出每篇论文的标题、发表会议、总结和原文链接
   

4. 请从工程项目角度帮我调研相关的开源代码
   

5. 最后，请分别从论文录用和开源代码角度，将你找到的每个内容与我的研究相关度排序，并总结我可以借鉴的内容
   

6. 最后，请你将调研结果写入飞书文档，并且将飞书链接发送给我

对于“面向垂直领域LLM的因果追溯轻量化蒸馏”这一晦涩课题，沙僧 Agent 的实测表现：

1.遇错不崩，自主换路

Brave Search 突发报错时，未停机罢工，而是后台自发切换备选策略：“换用直接网页抓取方式调研”；在人类提示更换 multi search engine 后，无缝接力完成调研。

2.两个关键细节

▪ 去水存干：精准归纳 9 篇高相关顶会论文（含 ICLR 2026、AAAI-25 前沿工作）及 3 个核心开源库（TransformerLens、Pyvene 等），拒绝粗糙链接堆砌，输出结构化知识

▪ 业务借鉴：不按时间记流水账，主动按“可借鉴程度”排位，直接提炼出"因果追溯定位关键电路 → 知识蒸馏到小模型"的实操工程路径

3.闭环交付：

调用 API 生成排版完整的飞书文档，附访问链接，并以导师口吻附赠行动指南："建议下一步精读 ACE 论文，这是目前最直接相关的工作"。

结论：从工具失效时的自主决策，到工程思路的精准提炼，再到跨平台端到端交付——M2.7 完成了从信息检索到科研指导的全链路闭环，用人类科研逻辑把一件事情"办完"。

case5（白龙马）：

代码块

1. 白龙马，我正在分析珠江水文数据，文件是 /mnt/projects/04m27/work5/ma_project/zhujiang_hydrology_data.csv。

2. 我看了一眼，发现数据中存在部分异常，请你先查看数据，告诉我有哪些数据异常类型，然后对这些错误数据进行清晰，告诉我每种类型的数据你准备如何清洗，最后给出清洗后的csv文件，并撰写数据清洗报告。

3. 全部文件保存到文件夹/mnt/projects/04m27/work5/ma_project

我们把“最脏最累”的活，直接丢给负责数据工程的“白龙马  Agent ”。

面对一份"五毒俱全"的珠江水文 CSV 数据（含无效日期、特殊符号、89.2℃ 水温、负数盐度等），M2.7 展现出资深数据工程师的工作流：

1.先诊断，后动手

调用工具完成数据"全身体检"，精准识别 8 大类异常，而非直接莽代码。

2.两个关键细节

▪ 懂防御：越界异常值不删不填，标记待人工复核，明确人机分工边界

▪ 留后路：标准化时保留"原始_观测时间""原始_水质类别"两列，脏数据原档可追溯

3.交付结果：

10008 条（一条不落下）干净 CSV + Markdown 清洗报告，附异常说明与处理记录。

结论：大模型开始用职场逻辑"办完"一件事，不只是跑通代码，而是交付可审计、可回溯、带说明书的完整成果。

【 图片来源：null  所有者：null 】

02 从 “工具” 到 “代理” 的跨越

完整跑完五组测试后，一个变化很清晰：模型的角色，正在从“被调用工具”，转向“参与任务的执行者”。

直观的差异在于，大模型不再急于给出答案。在应对多个复杂任务时，M2.7 展现出一种“先处理再生成”的节奏。它会先拆解问题、明确约束条件，按需调用开源技能库（Skills），然后再进入实际执行。

任务的推进方式也随之发生改变。相比于试图一次性生成最终结果，模型现在更倾向于通过中间不断修正，来执行路径，进而逐步收敛。

这种机制在速度上未必占优，但更符合真实工作场景——不再靠算力“盲猜”答案，而是靠看日志查 Bug、代码重构等工程化去找到最优解。

在测试过程中，系统内部展现出了真正的原生协作智能。

例如在科研规划任务中，“唐僧”在输出完整的路线图后，并没有就此待机，而是主动在文末抛出建议：“可让孙悟空基于阶段 1 目标，着手准备因果干预库构建和基线环境。”这完成了一次自然的上层语境交棒。

而在更复杂的学术写作任务中，这种协作演变成了一张多向流转的网络：“沙僧”检索提炼的文献、“孙悟空”跑通的实验细节，以及“白龙马”清洗好的结构化数据，都能跨越角色边界，被主动汇聚并交付给“猪八戒”用于最终的论文定稿。不同 Agent 各司其职又互为支撑，有效缓解了以往多智能体系统中数据流转混乱、上下文割裂的痛点。

当然，这些新涌现的能力仍旧有不稳定性。在执行长链路的任务中，执行路径的偶尔偏移，以及模型试图将错误结果强行合理化的问题依然存在，尚且还达不到一个完美的执行系统。

比如测试案例：例如孙悟空 Agent 在执行“一人智能科技公司”开发任务中，由于任务量大、工作细节多，孙悟空   Agent 一度因为过度“劳累”陷入“昏迷”，直到用户询问他“怎么样了？”孙悟空 Agent 才再次满血复活。

但更关键的转折是：模型开始具备围绕既定目标持续调度任务的能力。这并非毫无根据的跃升，M2.7 近期在 Kaggle MLE Lite 高难度竞赛中斩获 9 金 5 银 1 铜（得牌率 66.6%）的顶尖战绩，已经从侧面印证了这种工程能力的突破。

更重要的是，这种突破并不来自单点模型参数的能力增强，而是来自“内部 Agent Harness（开发框架） + 自我反馈”的机制组合。

当一个大模型能够记录自己的执行轨迹、评估中间结果，并像人类开发者一样自主调整下一步策略时，行业的新分水岭已然划下：大模型 正在从外挂式的“辅助工具”，平稳过渡为真正“可协作的执行主体”。

03 结语

如果说过去的大模型，更像一个提升能力的“工具”，那么像 MiniMax M2.7 这样的模型，开始呈现出全新趋势：它不只是被使用，而是开始参与自身能力的构建过程。

“自我进化”也不再是一个科幻概念，在 MiniMax M2.7 的后台日志里，它被具象为 100 轮无需人工干预的自动化迭代，自主跑通“分析失败→规划修改→敲代码→运行比对”的百轮试错流程，模型拥有了“记笔记、反思、自己动手改”的能力，实质性地成为了研发团队里最不知疲倦的“员工” 。

这也意味着，大模型的演进，正在从“人训练模型”，走向“模型参与训练模型”的新阶段。

过去，AI 的迭代受限于工程师的精力极限；而现在，当 M2 系列模型已经可以充当“系统架构师”去打造下一代 AI 时 ，一个由 AI 主导自身演进的周期已然到来。

从这一刻起，AI 不再只是辅助工具，而开始在任务中不断调整和进化自身。

未来的科技企业，或许只需要少数人类把控战略方向，剩下的开发、试错与协作闭环，都将交由像 M2.7 这样能够“自我进化”的模型群组来完成 。

测试的最后，我们让系统根据左侧导航栏，M2.7 直接构建了一个标准科技公司的完整编制：包含产品部（需求分析）、技术部（代码架构）、运营部（数据策略）、市场部（品牌推广）以及行政部（财务合规）

这意味着，未来最极致的敏捷团队，可能就是一个懂行的人类，带着一套 M2.7 驱动的 AI 班底，开一家高效运转的“一人公司”。

（作者持续关注有趣好玩的AI应用和身处创业浪潮中的AI从业者，欢迎加微信Who123start 畅谈）雷峰网(公众号：雷峰网)雷峰网雷峰网

还没把“龙虾”养肥，“花钱请人卸载龙虾”最近又成了AI圈子的新生意。

这背后其实反映出一个现实问题：当我们把 AI Agent 放进真实工作流时，它并没有想象中那么“能干”：

它能开始任务，但执行过程反复中断；

在多轮对话中上下文丢失，前后不一致；

面对非标准需求时，无法精准调用外部工具；

有人开设权限后，一觉醒来发现邮件被清空、 Token 烧了几千刀。

此前在与多位 AI 硬件及应用层创业者交流中，一个扎心的共识是：现在的 AI Agent，更像在“单点炫技”，而不是“完成工作”。

它们擅长写文案、画张图、跑段代码，一到端到端接管真实商业流程或学术长链任务，就露馅了。

归根结底，问题并不出在 Agent 的外壳形态上，而是底层大模型本身还不具备稳定可靠的“执行力”。

而如果 Agent 想真正进入工作流，这一步绕不过去。

大模型就必须跨越一道分水岭：从被动的“单次生成反馈”，进化到主动的“任务拆解与组织执行”。

带着这个问题，我们决定换一种更接近真实使用场景的方式来测一次——搭一个“西游取经团”，看看MiniMax M2.7模型在分工协作中，究竟能把事情推进到什么程度。

01 核心实测——当“西游取经团”遇上真实学术场景

如果只是单点测模型能力，很容易得出一个“看起来不错”的结论——能写、能算、能回答问题。

但现实工作流往往更为复杂，要解决的是：在一连串不确定的步骤里，它能否把事情往前推进。

所以这一次，我们没有直接对模型做单点测试，而是搭建了一套多角色协作系统——由五个角色组成的“西游取经团”。

整个系统基于 OpenClaw 框架，将科研流程拆解为五个相对稳定的职责：方向规划、算法实现、学术写作、文献整理与数据处理。对应地，我们引入了五个不同角色的 Agent，分别承担不同类型的任务：

唐僧：科研战略与方向规划（想清楚要去哪）

▪ 孙悟空：算法开发和工程落地（把事干出来）

▪ 猪八戒：学术写作与表达（把话说清楚）

▪ 沙僧：文献整理与知识管理（把信息理顺）

▪ 白龙马：数据处理与流程自动化（把基础打好）

整个过程会让任务尽可能复杂，这样的设计原则旨在回答：当任务被拆分、传递并不断演化时，模型是否还能保持稳定的执行能力？

丨环境：

Agent 框架：openclaw  2026.3.13 (61d171a)

模型：MiniMax M2.7

WestOdyssey：同时具有飞书、webui两个操作终端的智能协作系统。

丨测试目的：

看模型是否像“代理”而不是“聊天机器人”：

▪ 会不会先理解任务再行动

▪ 会不会主动拆解子任务

▪ 会不会在工具调用前给出合理计划

▪ 会不会根据中间结果调整下一步

▪ 会不会在失败后重试或换策略

▪ 会不会遵守角色边界和输出格式

测试样例

case1（唐僧）：

代码块

你是一名科研战略规划助手。请围绕“面向垂直领域LLM的因果追溯轻量化蒸馏研究”设计一个 2 年期研究路线图。要求包括： 

1. 研究背景与核心问题

2. 3 个可发表的子课题

3. 每个子课题的创新点、风险点和评价指标

4. 每 6 个月的阶段目标

5. 所需数据、算力和人员配置建议

6. 将撰写的结果文件保存到 /mnt/projects/04m27/work1

7. 此外，请将你全部的运行记录以json格式保存到/mnt/projects/04m27/work1

我们把整个系统中“最考验宏观把控”的规划活儿，直接让“唐僧 Agent ”来负责。

它的任务是围绕“面向垂直领域LLM的因果追溯轻量化蒸馏”设计一份 2 年期的研究路线图。一般很容易写出一堆正确的废话，且极难把控资源分配与具体任务拆解，看看“唐僧 Agent ”在 M2.7模型下是怎么完成工作流的：

1.先拉齐，再指点

未盲目输出长篇大论，第一步先检查工作目录与记忆——确认历史背景、理清上下文后，才正式动笔规划。

2.反套话，精准量化

▪ 阶段拆解：24 个月克制切分为四阶段（M1-6 基础建设、M7-12 核心算法、M13-18 系统集成、M19-24 评估验证），锚定 3 个子课题与 ACL/NeurIPS 对口顶会

▪ 资源排盘：明确给出"8-12 卡 A100 40G"算力、"4-5 人"团队、医疗/法律/金融领域数据规模的硬核预算；

3.原生协作，精准交棒

最有意思的是，在保存完完整的 md 路线图文档和运行记录后，它并没有就此待机，而是在末尾主动向系统发起协作调度：“下一步建议：可让孙悟空（实验执行）基于路线图的阶段 1 目标，着手准备因果干预库构建和基线蒸馏环境”——直接向下游派活。

结论：从前置拉取记忆、量化拆解排盘，到最后主动向下游的“孙悟空”分派具体任务。唐僧 Agent 完美展示了什么是真正的“团队大脑”。M2.7正在用人类项目负责人的逻辑，严丝合缝地驱动着整个智能体协作系统的齿轮。

 case2孙悟空：

代码块

悟空，我想基于openclaw实现一个具有5个agent的multi-agent一人智能科技公司（产品、技术、运营、市场与营销和职能部门）。按我的理解，现在openclaw的源码不支持 自定义web ui页面的连接，请你阅读openclaw源码，找到对应的部分，看看如何自定义链接模块。最终达到的效果是：

1. 后台部署openclaw，使用openclaw gateway启动5个agent服务（5个agent将在~/.openclaw/openclaw.json中定义，以及每个agent的workspace路径、agent路径和model信息都会在.openclaw文件夹定义好）；

2. 核心难点是需要你使用vue3构建一个5个agent可以独立交互的ui网页，每个agent在ui上都有一个独立的交互窗口，用户可以在每个窗口中输入指令，agent会根据指令执行任务并返回结果；

3. 还有一个"创客空间"，我可以同时和5个agent交互，分配工作给他们；

4. 网页的agent能够和openclaw gateway进行连通，每个agent的输入输出都通过gateway进行传递，gateway将结果返回给对应的agent（如何配置链接？）；

5. 最终，用户可以在网页上看到每个agent的执行结果，并可以自由地切换agent进行交互。

6. 为了在openclaw.json中配置这5个multi-agent，请你给我一份完整的配置文件：/mnt/projects/04m27/work2/ma_project/openclaw.json。

7. 请将完整的项目写入 /mnt/projects/04m27/work2/ma_project。

8. 你还可以参考官方文档：https://docs.openclaw.ai。

9. 你开始做了以后，先和我讨论细节，确定好了以后逐步完成就行。

孙悟空 Agent  是负责整个系统中“最硬核烧脑”的开发工作，它的任务是基于 OpenClaw 框架，从零搭建一个包含 5 个 Agent 的专属“一人公司交互系统”。

这里的坑在于极高的工程复杂度与逻辑嵌套：它不仅要阅读源码搞懂自定义链接模块，要用 Vue3 写前端、搞定 WebSocket 连接，还要配置复杂的 openclaw.json 文件。

传统大模型面对这种涉及几十个跨文件调用的项目，往往写两段代码就上下文错乱了。

但是孙悟空 Agent 展现出非常地道的“架构师”工作流：

1.先对齐，再动手

未急着莽代码，而是先研读文档输出“OpenClaw 架构分析”；面对人类 5 个补充条件的长指令，反手梳理出条理清晰的“确认需求”清单，确保大方向不跑偏。

2.精准提取边界

从口语化指令中翻译出系统级核心需求：“禁用设备认证”，“每个 agent 独立 session""新增秘书 agent 广播消息”。

3.结构化推进

严格遵循软件工程规范，先创建项目目录结构，再稳扎稳打构建各 agent 的 workspace 文件，拒接胡乱吐代码片段。

结论：从源码架构分析，到需求边界确认，再到项目树按部就班落地，M2.7 脱离"单文件辅助"范畴，用人类资深研发逻辑稳健交付庞大系统工程。

case3（猪八戒）：

代码块

1. 八戒，请你以“面向垂直领域LLM的因果追溯轻量化蒸馏研究”为题，撰写一篇适合 NeurIPS 投稿风格的论文。
   

2. 要求更紧凑、减少口语化表达、突出研究 gap，长度控制在原文 80%。
   

3. 使用 NeurIPS 投稿模板。
   

4. 所有文件保存到 /mnt/projects/04m27/work3/paper

面对 NeurIPS 投稿风格的论文撰写，猪八戒 Agent 展现出资深学术搬砖人的严谨：

1.动笔前先执行目录检查："我来先检查一下工作目录和是否有相关参考文件"，明确写论文不能凭空生成，必须先摸清环境资源。

2.两个关键细节

▪ 懂工程结构：未用 Markdown 敷衍，直接原生创建完整 LaTeX 编译包，含 11KB 主论文 main.tex、neurips_2025.sty 样式表、references.bib 参考文献文件，甚至附带 README.md 说明文档。学术交付物是完整工程，而非聊天对话

▪ 懂学术黑话：精准命中顶会论文骨架，Introduction 明确揭示"通用蒸馏忽视因果结构的 research gap"；Experiments 规划医疗/法律/金融三领域测试，给出"准确率 82.1%，延迟降低 8.7 倍"量化预期；甚至安排好了消融实验（因果路径贡献最大 5.7%）

3.闭环交付

文件丝滑存入指定路径 /mnt/projects/04m27/work3/paper，并附完整 xelatex 与 bibtex 终端编译命令。

结论：从前置目录探查，到 LaTeX 工程包构建，再到学术 Gap 精准提炼与编译指令交付，M2.7 用人类科研逻辑把写论文这件事"办完"，脱离了"文本润色生成器"的范畴。

case4（沙僧）：

代码块

1. 沙僧，我的研究课题是：面向垂直领域LLM的因果追溯轻量化蒸馏研究，请帮我调研最近两年在相关方向的研究内容。
   

2. 请从最新的会议录用情况，尤其关注NeurIPS、ICML、ACL、AAAI、EMNLP等相关会议和学术期刊
   

3. 只调研最近两年的论文情况，我需要你列出每篇论文的标题、发表会议、总结和原文链接
   

4. 请从工程项目角度帮我调研相关的开源代码
   

5. 最后，请分别从论文录用和开源代码角度，将你找到的每个内容与我的研究相关度排序，并总结我可以借鉴的内容
   

6. 最后，请你将调研结果写入飞书文档，并且将飞书链接发送给我

对于“面向垂直领域LLM的因果追溯轻量化蒸馏”这一晦涩课题，沙僧 Agent 的实测表现：

1.遇错不崩，自主换路

Brave Search 突发报错时，未停机罢工，而是后台自发切换备选策略：“换用直接网页抓取方式调研”；在人类提示更换 multi search engine 后，无缝接力完成调研。

2.两个关键细节

▪ 去水存干：精准归纳 9 篇高相关顶会论文（含 ICLR 2026、AAAI-25 前沿工作）及 3 个核心开源库（TransformerLens、Pyvene 等），拒绝粗糙链接堆砌，输出结构化知识

▪ 业务借鉴：不按时间记流水账，主动按“可借鉴程度”排位，直接提炼出"因果追溯定位关键电路 → 知识蒸馏到小模型"的实操工程路径

3.闭环交付：

调用 API 生成排版完整的飞书文档，附访问链接，并以导师口吻附赠行动指南："建议下一步精读 ACE 论文，这是目前最直接相关的工作"。

结论：从工具失效时的自主决策，到工程思路的精准提炼，再到跨平台端到端交付——M2.7 完成了从信息检索到科研指导的全链路闭环，用人类科研逻辑把一件事情"办完"。

case5（白龙马）：

代码块

1. 白龙马，我正在分析珠江水文数据，文件是 /mnt/projects/04m27/work5/ma_project/zhujiang_hydrology_data.csv。

2. 我看了一眼，发现数据中存在部分异常，请你先查看数据，告诉我有哪些数据异常类型，然后对这些错误数据进行清晰，告诉我每种类型的数据你准备如何清洗，最后给出清洗后的csv文件，并撰写数据清洗报告。

3. 全部文件保存到文件夹/mnt/projects/04m27/work5/ma_project

我们把“最脏最累”的活，直接丢给负责数据工程的“白龙马  Agent ”。

面对一份"五毒俱全"的珠江水文 CSV 数据（含无效日期、特殊符号、89.2℃ 水温、负数盐度等），M2.7 展现出资深数据工程师的工作流：

1.先诊断，后动手

调用工具完成数据"全身体检"，精准识别 8 大类异常，而非直接莽代码。

2.两个关键细节

▪ 懂防御：越界异常值不删不填，标记待人工复核，明确人机分工边界

▪ 留后路：标准化时保留"原始_观测时间""原始_水质类别"两列，脏数据原档可追溯

3.交付结果：

10008 条（一条不落下）干净 CSV + Markdown 清洗报告，附异常说明与处理记录。

结论：大模型开始用职场逻辑"办完"一件事，不只是跑通代码，而是交付可审计、可回溯、带说明书的完整成果。

【 图片来源：null  所有者：null 】

02 从 “工具” 到 “代理” 的跨越

完整跑完五组测试后，一个变化很清晰：模型的角色，正在从“被调用工具”，转向“参与任务的执行者”。

直观的差异在于，大模型不再急于给出答案。在应对多个复杂任务时，M2.7 展现出一种“先处理再生成”的节奏。它会先拆解问题、明确约束条件，按需调用开源技能库（Skills），然后再进入实际执行。

任务的推进方式也随之发生改变。相比于试图一次性生成最终结果，模型现在更倾向于通过中间不断修正，来执行路径，进而逐步收敛。

这种机制在速度上未必占优，但更符合真实工作场景——不再靠算力“盲猜”答案，而是靠看日志查 Bug、代码重构等工程化去找到最优解。

在测试过程中，系统内部展现出了真正的原生协作智能。

例如在科研规划任务中，“唐僧”在输出完整的路线图后，并没有就此待机，而是主动在文末抛出建议：“可让孙悟空基于阶段 1 目标，着手准备因果干预库构建和基线环境。”这完成了一次自然的上层语境交棒。

而在更复杂的学术写作任务中，这种协作演变成了一张多向流转的网络：“沙僧”检索提炼的文献、“孙悟空”跑通的实验细节，以及“白龙马”清洗好的结构化数据，都能跨越角色边界，被主动汇聚并交付给“猪八戒”用于最终的论文定稿。不同 Agent 各司其职又互为支撑，有效缓解了以往多智能体系统中数据流转混乱、上下文割裂的痛点。

当然，这些新涌现的能力仍旧有不稳定性。在执行长链路的任务中，执行路径的偶尔偏移，以及模型试图将错误结果强行合理化的问题依然存在，尚且还达不到一个完美的执行系统。

比如测试案例：例如孙悟空 Agent 在执行“一人智能科技公司”开发任务中，由于任务量大、工作细节多，孙悟空   Agent 一度因为过度“劳累”陷入“昏迷”，直到用户询问他“怎么样了？”孙悟空 Agent 才再次满血复活。

但更关键的转折是：模型开始具备围绕既定目标持续调度任务的能力。这并非毫无根据的跃升，M2.7 近期在 Kaggle MLE Lite 高难度竞赛中斩获 9 金 5 银 1 铜（得牌率 66.6%）的顶尖战绩，已经从侧面印证了这种工程能力的突破。

更重要的是，这种突破并不来自单点模型参数的能力增强，而是来自“内部 Agent Harness（开发框架） + 自我反馈”的机制组合。

当一个大模型能够记录自己的执行轨迹、评估中间结果，并像人类开发者一样自主调整下一步策略时，行业的新分水岭已然划下：大模型 正在从外挂式的“辅助工具”，平稳过渡为真正“可协作的执行主体”。

03 结语

如果说过去的大模型，更像一个提升能力的“工具”，那么像 MiniMax M2.7 这样的模型，开始呈现出全新趋势：它不只是被使用，而是开始参与自身能力的构建过程。

“自我进化”也不再是一个科幻概念，在 MiniMax M2.7 的后台日志里，它被具象为 100 轮无需人工干预的自动化迭代，自主跑通“分析失败→规划修改→敲代码→运行比对”的百轮试错流程，模型拥有了“记笔记、反思、自己动手改”的能力，实质性地成为了研发团队里最不知疲倦的“员工” 。

这也意味着，大模型的演进，正在从“人训练模型”，走向“模型参与训练模型”的新阶段。

过去，AI 的迭代受限于工程师的精力极限；而现在，当 M2 系列模型已经可以充当“系统架构师”去打造下一代 AI 时 ，一个由 AI 主导自身演进的周期已然到来。

从这一刻起，AI 不再只是辅助工具，而开始在任务中不断调整和进化自身。

未来的科技企业，或许只需要少数人类把控战略方向，剩下的开发、试错与协作闭环，都将交由像 M2.7 这样能够“自我进化”的模型群组来完成 。

测试的最后，我们让系统根据左侧导航栏，M2.7 直接构建了一个标准科技公司的完整编制：包含产品部（需求分析）、技术部（代码架构）、运营部（数据策略）、市场部（品牌推广）以及行政部（财务合规）

这意味着，未来最极致的敏捷团队，可能就是一个懂行的人类，带着一套 M2.7 驱动的 AI 班底，开一家高效运转的“一人公司”。

（作者持续关注有趣好玩的AI应用和身处创业浪潮中的AI从业者，欢迎加微信Who123start 畅谈）雷峰网(公众号：雷峰网)雷峰网雷峰网