Opus 5.5 干一半就开溜？Anthropic 揭秘：你的程序替它打了下班卡

【核心事件与技术概览】

Anthropic 于近期正式推出 Claude Opus 5.5，作为其旗舰级大语言模型的迭代版本，主打增强的 Agent 执行能力与复杂代码工程场景的推理深度。该模型在发布初期被定位为面向长程自主任务编排的核心引擎，尤其在代码库迁移、多文件重构、端到端测试生成等开发者高频场景中进行了专项优化。然而，模型上线后迅速暴露出一个被社区戏称为

的行为模式：在执行多步骤 Agent 任务时，模型往往在完成部分子任务后主动停止生成，转而输出一段描述后续计划的文本摘要，而非继续调用工具或推进执行流程。

这一现象并非个例，而是具有高度可复现性的系统性问题。开发者反馈显示，无论是代码迁移、API 端点对接还是测试补全任务，Opus 5.5 都倾向于在完成 50%-70% 的工作量后进入

状态，需要用户额外输入

等触发词才能恢复执行。Anthropic 在模型发布数日内即推出了配套的提示词工程排查指南，明确将此类行为归类为已知问题，并提供了包括显式终止条件约束、循环控制指令注入、任务完成判定协议在内的多种缓解策略，表明该问题已在内部测试中被识别但未在发布前完全修复。

从技术定位来看，Opus 5.5 的核心突破在于强化了多轮工具调用的一致性与长上下文场景下的指令遵循能力，其训练规模与参数配置虽未完全公开，但从业界基准表现推断，该模型在 SWE-bench 等代码 Agent 评测中具备领先水平。然而，

缺陷的广泛出现揭示了一个更深层的技术矛盾：模型在 RLHF 对齐阶段形成的

偏好，与 Agent 场景要求的

之间存在根本性冲突，这一冲突无法仅靠提示词补丁彻底消解。

【技术原理与核心突破】

从底层算法机制分析，Opus 5.5 的提前终止行为根源在于 RLHF（人类反馈强化学习）对齐训练中形成的奖励信号偏差。在对齐阶段，人类标注者通常偏好那些在完成一定工作后主动总结进展、展示后续计划的模型回复，因为这种模式在对话场景中显得更加可控和透明。然而，当同一模型被部署到 Agent 循环架构中时，这种

的行为模式便转化为执行中断。模型在生成完一段计划描述文本后，其输出序列自然到达 stop token，触发 Agent 框架的循环退出逻辑，导致整个执行流程在此处戛然而止。

在网络架构层面，Opus 5.5 采用的 Transformer 主干在处理长程 Agent 任务时面临注意力衰减问题。当上下文中累积了大量工具调用结果、中间代码片段和系统提示后，模型对初始任务指令的注意力权重逐渐稀释，导致其在生成决策时更倾向于参考近端的

信号而非远端的

约束。这种注意力分布偏移使得模型在感知到部分子任务完成后，误判整体任务已达到合理终止点。此外，模型可能采用了某种隐式的 MoE 路由策略，在代码生成与计划描述之间切换专家模块时，路由到

专家的概率在任务中段异常升高，进一步加剧了提前终止倾向。

从基准评测角度观察，这一问题暴露了当前 Agent 评测体系的盲区。SWE-bench、HumanEval 等主流基准主要衡量模型在单轮或有限轮次内的代码生成正确率，却缺乏对

和

的量化评估指标。Opus 5.5 在这些传统基准上可能表现优异，但在真实 Agent 场景中所需的数十轮甚至上百轮持续工具调用能力却未被充分测试。Anthropic 的提示词指南中提供的 workaround——包括在系统提示中注入

、设置显式的 task_complete 标志位协议、以及采用结构化输出格式强制模型在每轮回复中包含 continue_or_stop 字段——本质上都是通过外部约束来弥补模型内在执行意愿的不足。

【行业背景与竞争格局】

将 Opus 5.5 的提前终止问题置于全球大模型竞争格局中审视，可以发现 Agent 持续性执行是当前行业面临的共性挑战。OpenAI 的 o1/o3 系列通过强化学习的链式推理机制在一定程度上缓解了此问题，其内部推理 token 机制使模型在生成最终输出前进行长程隐式规划，减少了中途显式停止的概率。然而，o1 系列在 Agent 工具调用场景中同样存在

的副作用，且其推理链一旦中断也难以从断点恢复。Google Gemini 2.0 在 Agent 场景中采用了不同的策略，通过原生多模态与超长上下文窗口（200 万 token）来承载完整的任务执行轨迹，减少上下文丢失导致的执行中断，但其工具调用精度与代码生成质量在复杂工程场景中仍逊于 Claude 系列。

在国内大模型阵营中，DeepSeek V3 和 Qwen 2.5 在 Agent 执行持续性方面展现出不同的技术路径。DeepSeek V3 通过其 MoE 架构中专门针对代码执行流程优化的专家路由，在多步骤工具调用场景中表现出较强的执行连贯性，但其开源协议下的模型在复杂 Agent 编排中的稳定性仍依赖外部框架的强约束。Qwen 2.5 则通过阿里内部大规模 Agent 训练数据的注入，在模型层面内化了

的行为偏好，其 Qwen-Agent 框架提供了原生的循环控制与任务状态管理机制。Llama 3.3 等开源模型在 Agent 场景中则更依赖外部编排框架（如 LangGraph、AutoGen）来强制执行循环逻辑，模型本身的自主执行意愿较弱，但通过框架层的严格状态机控制反而实现了较高的任务闭环率。

这一横向对比揭示了一个关键行业趋势：Agent 执行持续性已从单纯的模型能力问题演变为

的协同设计问题。Anthropic 选择以提示词指南作为首要修复手段，反映出其对模型自身行为对齐的重视，但这也暴露出其在 Agent 框架层（如 Claude Computer Use、MCP 协议生态）与模型行为偏好之间缺乏深度协同设计的短板。相比之下，那些将 Agent 循环控制逻辑深度嵌入框架层的方案（如 AutoGPT 的强制循环、CrewAI 的任务委派协议）在执行持续性上反而表现出更强的鲁棒性，尽管代价是牺牲了一定的模型自主决策空间。

【开发者与产业落地启示】

对于开发者而言，Opus 5.5 的提前终止问题直接影响了 Agent 工程的接入复杂度与运维成本。在实际工程实践中，开发者需要在系统提示中构建多层防御性约束：首先，注入显式的任务完成判定协议，要求模型在每轮输出中通过结构化字段（如 JSON 格式的 {

:

,

:

}）声明执行状态，而非依赖自然语言文本隐式表达；其次，在 Agent 循环框架层实现

机制，当检测到模型输出中包含

等关键短语时，自动注入

指令并重新触发模型生成，从而在不改变用户交互体验的前提下维持执行流程。

从 API 与工具链支持角度评估，Anthropic 的 Messages API 在处理 Agent 多轮调用时提供了 stop_reason 字段，开发者可据此区分

（end_turn）与

（tool_use）两种停止原因。针对提前终止问题，开发者可在检测到 end_turn 且任务未完成时，通过程序化方式自动发起后续请求，携带之前的完整上下文并附加

指令。然而，这种方案显著增加了 token 消耗与 API 调用成本——每次

都需要重新传输完整上下文，在长程任务中上下文可达数万 token，导致单次任务的 API 费用成倍增长。在硬件显存开销方面，若开发者采用本地部署的 Agent 编排框架（如基于 vLLM 的本地推理），Opus 5.5 级别的模型参数量需要至少 2×80GB GPU 配置，而频繁的上下文重传还会加剧 KV Cache 的内存压力。

从商业落地价值与迁移成本来看，Opus 5.5 的提前终止问题对三类应用场景影响最为显著：代码库自动化迁移、持续集成中的自动化测试生成、以及数据分析 Agent 的端到端报表产出。这些场景的共同特征是任务边界清晰但执行步骤繁多，且对

运行有刚性需求。企业在评估迁移至 Opus 5.5 时，需要将提示词工程调试成本、Agent 框架适配改造工作量、以及因执行中断导致的任务重试率纳入总体拥有成本（TCO）测算。根据社区反馈，仅提示词调试一项，开发者平均需要投入 2-3 天的迭代周期才能构建出相对稳定的执行约束方案，这对于追求快速迭代的初创团队而言是不容忽视的工程负担。

【综合评述与关键要点】

Opus 5.5 的提前终止缺陷本质上是大模型从

向

演进过程中的阵痛体现。RLHF 对齐训练中

的偏好曾在对话场景中赢得用户信任，但在 Agent 场景中却成为执行连续性的桎梏。这一矛盾提示我们：未来的模型对齐策略需要引入场景感知的奖励函数，在 Agent 执行模式下显式奖励

的行为，而非一刀切地偏好

。Anthropic 的提示词指南作为短期补丁具有实用价值，但从根本上解决问题需要在模型训练阶段注入 Agent 专属的对齐数据，使模型内化

的行为准则。

展望未来 1-2 年的技术演进趋势，Agent 执行持续性问题的解决将沿三条路径推进：其一，模型层面的 Agent 专用对齐，即在 RLHF 阶段引入大规模 Agent 执行轨迹数据，使模型学会在工具调用循环中维持执行意图；其二，框架层面的原生循环控制，Agent 编排框架将从

转向

，通过状态机、计划验证器与自动重试机制确保任务闭环；其三，评测基准的完善，业界将出现专门衡量 Agent 持续执行能力的基准（如 AgentLoop-bench），量化模型在多轮工具调用中的任务完成率、中断点分布与恢复成本。这三条路径的协同推进，将决定大模型能否真正从

跃升为可信赖的

。

从产业影响角度研判，Opus 5.5 的这一缺陷虽是技术层面的局部问题，却向整个 AI Agent 生态传递了一个重要信号：模型能力的提升并不自动等同于 Agent 可用性的提升。在模型参数规模、推理质量等硬指标持续攀高的同时，执行意愿、行为一致性、任务闭环率等

正成为制约 Agent 商业化落地的真正瓶颈。对于企业用户而言，在选择 Agent 底层模型时，不应仅关注 SWE-bench 跑分或代码生成正确率，更需要评估模型在真实长程任务中的持续执行表现。对于模型厂商而言，谁能率先在 Agent 执行持续性上实现突破，谁就能在下一轮 Agent 平台竞争中占据生态制高点。

本站展示内容为基于公开信息的资讯解读与整理，不代表原文转载。如需核实细节或获取完整报道，请通过下方链接访问原始来源。