# GDPx 真实工位评测解读：AI 连干 8 小时暴露的六个工程教训

> 原标题：把 AI 扔进真实工位连干 8 小时后，比跑分更管用的六个工程教训

- 来源：Computing Life · Share · 鸭哥调研
- 发布时间：2026-11-07T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/noiirpc90r36056yrenf55cy9
- 原文：https://yage.ai/share/semianalysis-gdpx-agent-lessons-20261107.html

## 摘要

SemiAnalysis 的 GDPx 评测让模型使用原厂智能体框架，在最多 8 小时内解决 206 个真实业务问题，最强模型平均得分约 12%。文章据失败案例提炼六条工程经验，包括建立文档权威地图、设置独立回滚门禁、编写确定性测量脚本、维护外部证据账本、检查评测环境及按单任务总成本分级路由。

## 推荐理由

文章从 GDPx 的长程任务失败案例提炼工程方法，将文档权威标注、独立回滚验证与外部证据账本纳入智能体工作流。

## 锐评

买次旗舰模型跑 agent 很容易吃闷亏。Anthropic 的 Sonnet 5.5 看着单价低，做一道题能狂吐 120 万个输出 token，是 Astra 的四倍，单题账单直接干到 60 美元，跟顶配旗舰扯平了。

我觉得算模型成本只盯每百万 token 单价毫无意义。GPT 6.1 Sol 跑一道题只要 11 美元，成本差了五倍。长程任务里模型一啰嗦，单价省下的钱全变成送给厂商的唠叨税了。