AI Agent 的任务完成度，是指在事先约定的任务边界和验收标准下，Agent 交付的结果有多少可以直接投入使用，以及为达成结果付出了多少人工补救、时间和成本。它衡量一次任务交付的实际可用程度，单一的成功或失败标签不足以概括。
企业讨论这个问题，通常发生在 Agent 上线之后。演示环境里流程顺畅，进入真实业务后，同一个 Agent 在简单问答上表现稳定，遇到跨系统、需要多步操作的任务就频繁停下。企业评估企业级 AI Agent时，需要把任务完成度拆成可观察、可复核的指标。
任务完成度包含哪些判断
任务完成度的第一步是定义任务单元。一个任务单元应当是一次可以独立验收的业务交付，例如完成一笔退款、生成一份可复核的周报、定位一次留存下降的原因。范围越模糊，完成度越难判断。
验收标准要写清三件事：交付物是什么，达到什么状态算完成，哪些错误不可接受。缺少其中任何一项，Agent 和业务方对完成的理解就会分叉。
| 维度 | 要回答的问题 | 常见观察方式 |
|---|---|---|
| 结果达成 | 目标状态是否出现 | 任务成功率、目标达成评分 |
| 完成彻底性 | 是否只做了一半 | 子任务完成比例、返工次数 |
| 自主性 | 中途是否需要人接手 | 人工接管率、澄清次数 |
| 质量与合规 | 信息、动作和权限是否正确 | 事实准确率、动作正确率、审计记录 |
| 效率与成本 | 完成一个可用结果要花多少 | 耗时、Token 消耗、每个成功任务成本 |
| 稳定性 | 同类任务能否重复完成 | 重复运行成功率、回归测试通过率 |
这张表里，只有第一行最容易被做成一个百分比。其余几项决定这个百分比是否可信。
任务完成率为什么不能代替任务完成度
任务完成率指成功完成的任务占全部任务的比例，常以没有人工监督或干预为条件。2026 年 2 月，Machine Learning Mastery 在一份 Agent 指标分析中指出，把完成率当作二值指标单独使用，会掩盖边缘案例，也会掩盖那些技术上成功、但耗时过长或代价过高的任务。
客服退款是一个容易看清差异的例子。Agent 回复了退款政策，算不算完成。发起退款但金额算错，算不算完成。退款成功但用户再次来电，算不算完成。验收标准不同，同一个 Agent 的完成度会得到不同结果。完成率适合做总览，完成度需要分层判断。
Microsoft Learn 的多智能体评估模块把任务完成率列为主要二值指标，同时给出目标达成指数，用 0 到 10 分拆解信息准确性、动作正确性和客户操作成本，观察部分成功距离完整完成还有多远。业务任务很少只有成功和失败两种状态，这种分层方式更接近实际。
人工接管也要纳入完成度。Anthropic 在 2026 年发布的 Claude Code 使用分析中提到，2025 年 8 月到 12 月，其内部用户在最具挑战性任务上的成功率翻倍，每次会话的平均人工干预次数从 5.4 次降到 3.3 次。结果变好和接管变少同时出现，才说明完成度在改善。只看成功率，可能会把大量人工补救算成 Agent 的功劳。
长任务为什么更难保持完成度
假设一个流程有 20 个步骤，每一步成功率都是 99%，且各步相互独立，全部做对的概率约为 82%。步骤增加到 100 个，概率降到约 36.6%。即使单步成功率达到 99.9%，100 步全对的概率也只有约 90.5%。这是简化计算，真实任务的步骤之间存在依赖，错误也可能被后续步骤修正，但方向仍然成立。链路越长，完成度对单步可靠性和纠错能力越敏感。
METR 的任务完成时间地平线提供了另一个观察角度。它测量 AI 能以某个成功率完成多长的人类任务，50% 时间地平线指模型有一半概率完成的任务长度。METR 2025 年的论文发现，这一指标自 2019 年以来大约每 7 个月翻一倍。该机构在 2026 年的方法说明中补充，80% 成功率对应的时间地平线大约只有 50% 水平的五分之一，任务主要来自软件工程、机器学习和网络安全领域，真实业务中更杂乱的任务表现会更低。
时间地平线描述能力边界，不能直接当作生产环境的完成率。 它衡量任务难度，并非模型实际运行时长，也不能说明某个业务流程能否稳定交付。它更适合用于判断技术进展和任务拆分边界。
企业可做的事很具体。把长流程拆成可验收的短任务，在关键节点设置检查点，给工具调用加上结果校验，保留人工接管入口，把失败后的恢复能力纳入评估。多 Agent 协作可以分担复杂任务，也会增加协调和交接失败的可能，是否采用要回到任务依赖和验收成本上判断。
企业如何评估 Agent 的任务完成度
评估要从业务任务出发，先能解释一次交付是否可用，再谈规模化。这套方法也可以用于平台选型的评估维度，帮助团队在采购前写清验收标准。
1. 写清任务单元和验收标准
把模糊需求改写成可验收的交付。例如把“做好用户运营”改成“圈出 30 天未活跃且有过付费的用户，生成触达名单，并说明筛选依据”。交付物、完成状态和禁止项都要落到文字上，供业务方和 Agent 共同遵循。
2. 分层设置指标
| 层级 | 指标示例 | 用途 |
|---|---|---|
| 结果层 | 任务成功率、目标达成指数、子任务完成率 | 判断交付是否可用 |
| 过程层 | 人工接管率、澄清次数、重试次数、恢复率 | 判断自主性和稳定性 |
| 成本层 | 单任务耗时、Token 消耗、每个成功任务成本 | 判断规模化是否划算 |
| 业务层 | 问题解决率、会话重开率、升级率、转化或留存变化 | 判断业务结果是否改善 |
Microsoft Learn 的评估模块把客户解决率、会话重开率和升级率列为业务影响指标，用来补充 AI 质量指标。这个思路可以迁移到多数企业场景，避免评估分数好看、业务结果没有变化。
3. 固定评测集与生产抽样结合
用真实业务流程构造评测集，覆盖简单、复杂、边界和异常情况。每次模型、提示词、工具或知识库版本变更后跑回归，确认完成度没有下降。再从生产流量抽取样本复核，观察完成度是否随数据变化和时间推移产生漂移。
4. 按场景设定阈值和接管规则
高风险场景适合把阈值定得更高，并保留人工确认。低风险、可回滚的场景可以提高自动化比例。没有通用合格线，阈值要由错误造成的业务损失、人工兜底成本和任务延迟代价共同决定。 同一个 Agent 在不同场景下，完成度要求可以完全不同。
5. 接入运行观测与迭代
完成度要能按版本、场景、模型和工具拆分。只有这样，团队才能判断问题来自模型能力、知识质量、工具接口还是流程设计。评估不是一次性项目，按Agent 落地路线图分阶段推进，完成度才有持续改善的基础。
ThinkingAI 如何支撑任务完成度管理
ThinkingAI 的企业级 AI Agent 平台 Agentic Engine支持创建和管理各类 Agent，支持多 Agent 协作，并支持私有化部署。目前 ThinkingAI 已服务全球超过 1500 家企业，接入产品超过 8000 款。
知识口径不一致，会让 Agent 答得像却答不对。 企业级知识库用 SSOT 保证同一概念全系统只有一处定义，通过 ChangeSet 让知识更新可追溯、可对比、可回滚，并把知识加工成 Agent 可以直接调用的结构化形态。这些机制减少的是答案看起来完整、实际需要返工的情况，也直接影响任务完成度。
在运行侧，ThinkingAI 把用户与 Agent 行为分析、智能运营与 A/B 实验、Agent 观测放在同一套数据基础上。团队可以比较不同模型、工具、Skill 或交互策略对任务完成率、用户体验和资源消耗的影响，再把有效做法沉淀到下一轮。
在中国信通院的智能体评估中，ThinkingAI 旗下 Tiki 智能助手获得 4+ 级，评估覆盖技术能力、场景能力和服务成熟度共 21 个能力项。第三方评估不能替代企业自己的验收，但可以作为外部参照，帮助团队判断平台能力的基本位置。
常见问题
任务完成度和任务完成率有什么区别？
任务完成率是完成度里的一个结果指标，通常等于成功任务数除以任务总数。任务完成度还包含完成彻底性、人工接管、质量、成本、稳定性和业务影响。完成率高，不代表交付可以直接使用。
任务完成度多少算合格？
没有通用数值。低风险、可回滚、人工复核成本低的场景，可以接受较低的自动完成率。涉及资金、权限、客户承诺或合规的场景，需要更高的完成度和更严格的人工确认。阈值应当按照业务损失和兜底成本测算。
Agent 说完成了，能算完成吗？
不能直接算。要以业务系统的最终状态、交付物和验收标准为准。退款是否到账、工单是否关闭、报表口径是否正确，都需要回到系统记录核验。Agent 的自我报告只能作为过程信号。
多 Agent 协作能提高完成度吗？
取决于任务结构。任务可以清晰拆分、各 Agent 有明确输入输出时，协作能分担复杂度并提高完成度。任务边界模糊、交接标准不清时，协作会增加等待、重复和错误传播。采用前要先定义交接协议和统一验收。
任务完成度和时间地平线是什么关系？
时间地平线衡量模型能以某个成功率完成多难的任务，属于能力边界指标。任务完成度衡量具体业务任务在验收标准下交付得如何，属于生产结果指标。前者可以帮助判断技术进展和任务拆分边界，不能替代后者。
参考资料
- METR. Measuring AI Ability to Complete Long Tasks. 2025. https://arxiv.org/abs/2503.14499
- METR. Task-Completion Time Horizons. 2026. https://metr.org/time-horizons/
- Anthropic. Measuring AI agent autonomy in practice. 2026. https://www.anthropic.com/research/measuring-agent-autonomy
- Microsoft Learn. Design evaluation frameworks for multi-agent systems. 2026. https://learn.microsoft.com/en-us/training/modules/aaai-design-evaluation-frameworks-multi-agent-azure/
- Machine Learning Mastery. Beyond Accuracy: 5 Metrics That Actually Matter for AI Agents. 2026. https://machinelearningmastery.com/beyond-accuracy-5-metrics-that-actually-matter-for-ai-agents/
