OpenAI官方客户案例披露了一个值得关注的数字：Third Moment Research让1万个Agent同时运行，单次调查持续36到48小时。这个规模不是靠堆算力，而是靠一套围绕长时任务设计的工程架构。
系统目标：自我改进的Agent闭环
Third Moment Research的核心理念是：Agent应该擅长特定工作，并且越用越强。其系统用OpenAI模型理解Agent行为，识别反复出现的弱点，自动生成数千个合成场景来针对性改进Agent，新问题出现后再重复这一过程。
支撑这套系统的是Codex、GPT-6 Astra、GPT-6 Sol、GPT-6.1 Sol，以及用于安全测试的Daybreak。
长时运行的关键：外层harness与子Agent
Third Moment给每个Agent配置特定任务所需的工具、信息和环境。量化研究场景中，团队在Docker化环境里运行默认Codex harness，Agent获得1TB数据、文档和一个研究仓库，仓库包含特征工程、GPU模型训练、交易策略和模拟模块。
GPT-6 Astra、GPT-6 Sol、GPT-6.1 Sol提供推理能力，Codex harness提供行动工具：制定计划、设定目标、生成子Agent、压缩上下文。
针对Agent提前停止任务的问题，Third Moment把Codex当作外层harness中的子Agent，外层由GPT-6 Sol或GPT-6.1 Sol驱动。当任务未完成时，外层harness检查轨迹，决定重试、终止还是升级到人工审核。这是长时运行不中断的核心机制。
状态持久化与上下文管理
长时运行最大的敌人是上下文污染。案例中有一个典型问题：回测一年订单级美股数据需要数小时，Agent在等待期间反复轮询完成状态，浪费token并让上下文塞满状态检查。
Codex分析数千条模拟轨迹、时间戳和代码库后定位到瓶颈，通过缓存优化和内存打包技术，把回测从约3小时降到约3到5分钟。token消耗和上下文污染同步下降，更多token预算被释放给后续实验。
这说明状态持久化不只是存盘，还包括让Agent在等待期间不空转。
自我改进：从执行到设计实验
Adam Khakhar提到，GPT-5.5之前模型只能执行用户指定的实验；GPT-5.5和GPT-5.6配合Codex harness后，模型能用结果设计后续实验；到GPT-6 Astra、GPT-6 Sol、GPT-6.1 Sol，Agent可以通过数百个并行子Agent实验追查根因。
一个具体案例：GPT-6.1 Sol发现某交易所非展示交易对成交量的影响远超预期，这是研究团队最初没有考虑到的结果。
模型分工与成本控制
Jeffrey Yan表示，GPT-6.1 Sol是目前使用最多的模型，因为token效率最高，完成任务消耗token最少，性能接近GPT-6 Astra。
在延迟优化基准测试中，GPT-6 Astra带来最大加速。针对特定安全弱点检查等定向工作，团队使用更高效的GPT-5.6 Terra。Adam认为，量化金融领域找到有趣信号的价值极高，因此深度研究可以接受更强推理带来的更高成本。
安全防护：Daybreak自动化渗透测试
1万个Agent自主运行，安全测试必须自动化。Third Moment在模拟启动前用Daybreak平台测试研究环境安全性，检查Agent能否逃出研究环境访问更广网络。Adam明确表示，没有Daybreak就无法大规模自主测试。
对国内开发者的可复用思路
从官方事实出发，可提炼几条工程原则：
第一，外层harness负责监督和决策，内层Codex负责执行，两层分离让长时任务有纠偏机会。
第二，把等待期间的轮询改为事件驱动或缓存结果，避免token和上下文被状态检查吃掉。
第三，按任务类型分配模型：高价值深度研究用强推理模型，定向检查用高效模型。
第四，安全测试必须自动化，尤其是Agent能访问网络和文件系统时。
Third Moment的路线图是从单个调查扩展到数十万协作子Agent，用数万亿token支撑数十个依赖实验链。这个方向对多Agent长时运行的工程能力提出了更高要求，而当前案例已经给出了可参考的起点。