Qwen3.8 自主编程 16 天搓出一个 Hermes 级 Agent——「补全函数」和「交付工程」之间，隔着一道叫「长程」的墙

2026 年 8 月 3 日，阿里正式发布 Qwen3.8。2.4T 总参数、95B 激活、1M tokens 上下文、Arena 排名仅次 Claude 系列——但最值得记住的不是这些榜单数字，而是发布会上一句话：

「创建一个自进化的智能体 Harness。」

Qwen3.8 从一个空文件夹出发，自主搭建循环工程框架，独立运行约 16 天，做出了一个 Hermes Agent 级别、真实可用的自进化智能体框架 oh-my-cli。整个过程不开人，全程公开在 GitHub 仓库里。

这不是「AI 又会写代码了」。这是一个模型，独立跑完了一个 sprint。

过去三年，所有 AI Coding 工具比拼的都是同一件事——补全函数准不准。Cursor、Copilot、Claude Code、Codex，全在补全函数这件事上卷参数、卷响应速度、卷 IDE 集成深度。Qwen3.8 把游戏改了：它在比能不能独立交付工程。

「补全函数」和「交付工程」之间，隔着一道叫「长程」的墙。Qwen3.8 把这道墙跨过去了。

<!-- 配图：Qwen3.8 长程任务自适应循环示意图 -->

一、为什么「长程」是个真问题

长程任务（long-horizon task）有三个工程难点，任何一个不解决，模型都只能停留在 demo 阶段：

上下文衰减。一个任务跑到第 50 步，模型已经忘了第 1 步的约束。这是 2024 年之前所有 Agent 的通病——跑 5 步还行，跑 50 步就开始「失忆」、开始自我矛盾。学术上叫「lost in the middle」。

工具组合爆炸。一个真实工程任务会调用搜索、文件系统、终端、浏览器、数据库、API 网关——N 个工具的笛卡尔积是 N! 种调用序列，模型一旦选错序列，错误会像雪球一样滚大。Agent 行业过去两年的核心难点就是「工具调用错了怎么办」。

错误级联。一次小错，如果不主动检测和回滚，到第 100 步会变成一个 bug 工厂。人类工程师靠 code review 和 CI 兜底，AI 靠什么？

Qwen3.8 的工程答案是三件套：

稀疏 MoE（2.4T 总参 / 95B 激活）。把参数做大不是炫技，是为了在长程中保持「长期一致性」——总参越大，模型对历史的压缩能力越强，跨百步仍能记住最初的约束。

1M tokens 上下文。长任务不被截断，是长程能力的地基。你让一个模型跑 16 天的工程，每一步的日志、决策、回滚记录加在一起，早就超过 200K tokens。Qwen3.8 把上下文拉到 1M，等于把工程笔记本从 A6 换成了 A3。

「执行 - 反馈 - 迭代」自适应循环。这是官方最强调的能力——模型能在高动态、强物理约束的任务里跑数千轮而不崩。长程能力的工程含义是：AI 不再需要人给它擦屁股。

二、Qwen3.8 真的能「独立交付」吗？

怀疑是合理的。过去一年几乎每家大厂都发过「自主编程」的 demo，真正能跑完 16 天并公开过程的不超过一只手。

Qwen3.8 公布的硬证据有三层：

第一层：评测榜单刷新。PaperBench 编程智能体评测 93.0 分，较上代 +28.2 分，刷新纪录；OSWorld-Verified（电脑操作能力）86.1 分，主流模型首位；CodeArena 权威榜全球第四。广度（WideSearch 81.9）+ 深度（Agent's Last Exam 52.4）双榜同列前茅——这是少数同时在「能不能调用工具」和「能不能多步推理」上都拿高分的模型。

第二层：真实办公任务。发布会上三个案例：

• 一支法务团队标注数百份合同中的千余个条款，要一周；Qwen3.8 一小时做完。
• 篮球数据分析团队逐帧标注 160 小时比赛录像、8400 多个攻防回合，要数周；Qwen3.8 数十分钟拆完并输出战术画像。
• 金融研究团队做 ETF 轮动策略，要持续搜集市场变动；Qwen3.8 自主调动并行 Agent，连续工作数小时交付完整策略并持续回测、动态修正。

注意第二和第三个案例——它们不是「补全函数」，而是接需求 → 拆任务 → 跑数小时 → 交付可用成果。这是真正的「长程」。

第三层：oh-my-cli 公开仓库。这是 16 天自主编程产物的完整过程记录。代码、commit 历史、回滚点、中间决策，GitHub 上一目了然。别的 demo 是发布会上的录像，oh-my-cli 是审计证据。

三、为什么是阿里先跨过去？

技术上看，Qwen3.8 不是凭空冒出来的。三件事的协同让它第一次在长程上稳定：

1. 模型 + 芯片 + 平台的全链路优化。阿里真武 M890 超节点已成功适配 Qwen3.8，Agentic 推理场景最多 1.5 倍性能提升。这意味着长程任务不会被推理成本卡死——跑 16 天不烧钱。这事英伟达 + OpenAI 没做、Anthropic + AWS 没做、国内阿里先做到了。

2. 国内办公场景是「长程任务」的天然训练场。海外编程 AI 主要训练自 GitHub 的开源项目；中国办公场景的 Agent 任务更长、更动态、更碎片——发文档、做表、写汇报、对接 OA。Qwen3.8 直接把这些场景作为 RL 训练场，相当于把「长程」作为产品定义的一部分，而不是发布后再补的功能。

3. 当天同步发布的「千问办公」（QwenWork）。这是企业级 Agent 产品，今天起公测，钉钉 PC/手机端入口即将开放。模型与产品同日发布，意味着 Qwen3.8 的长程能力不是 PPT 上的指标，是今天就能用的功能。

结合同日「晚点 LatePost」披露的 AI 办公大战变阵——腾讯 WorkBuddy 日活已达百万级、字节整合飞书入豆包、阿里千问办公整合 QoderWork + 悟空 + MuleRun——Qwen3.8 + 千问办公，是阿里在「AI Coding → AI Office」拐点上的全部赌注。

<!-- 配图：Qwen3.8 vs 同代模型在编程与 Agent 评测上的关键分数对比 -->

四、开发者该怎么重新排队

如果 Qwen3.8 的长程能力是真的，过去三年的开发者分层会被重新洗牌：

别再比「AI 补全多准」了。这是 Cursor / Copilot / 早期 Claude Code 的赛道。现在要看的是「AI 能独立跑多久」——5 分钟、5 小时、5 天，每跨一个量级，价值翻一档。Qwen3.8 跑到了 16 天。

把任务拆成「可观测 + 可回滚」的单元，再让 AI 上手。Qwen3.8 的「执行 - 反馈 - 迭代」自适应循环之所以能跑数千轮，是因为它每一步都有可验证的回滚点。开发者要做的是把代码、配置、数据都设计成「AI 能自己回滚」的形态——别让模型出错时只能重启整个任务。

全链路优化才是下一战场。模型 + 芯片 + 平台一体优化，决定了长程推理的成本天花板。真武 M890 适配 Qwen3.8 这种事，短期是工程优势，长期是竞争壁垒。Anthropic 投 AWS、OpenAI 砸芯、阿里做真武——大家都在赌同一件事：长程 AI 不能跑在别人的算力上。

Cursor / Claude Code / Codex 都在卖「助手」，Qwen3.8 卖的是「同事」。 助手是你问它答，同事是你发个需求它跑完一个 sprint 然后交活。这两件事的商业模型完全不同——助手按席位收钱，同事按交付收钱。

结语

Qwen3.8 不是终点。它是「长程 AI」这条赛道的起点——16 天自主编程交付一个 Agent 框架只是第一声发令枪。接下来的两年，会有模型跑完 30 天、跑完一个季度。当模型能独立跑完一个完整的工程周期，团队里还留谁？

这个问题，今天每一个写代码、用 AI、写技术博客的人，都该开始想。

---

数据来源：阿里 Qwen3.8 官方发布信息（AI 前线 2026-08-03）、Arena 榜单评测、晚点 LatePost《腾讯、阿里、字节的 AI 办公大战：赛马与变阵内幕》（2026-08-03）。oh-my-cli 仓库具体 star 数与提交频率待社区拆解后补充。