研究将AI代理区别于传统聊天机器人的两个关键维度定义为自主性和环境整合。自主性是指代理在有限人为干预下进行规划与行动的能力；环境整合则是指代理读取并写入用户数字环境（包括电脑、浏览器及外部连接与服务）的能力。

虽然像ChatGPT这样的大语言模型聊天机器人在这两方面能力有限，但像OpenAI Codex、Claude Cowork/Code以及Perplexity Computer这样的代理工具，在自主规划和环境交互方面实现了质的飞跃。例如，使用“代理编排器”产品时，用户只需提出一个目标（比如“完成某份地质报告”），系统便能自主完成搜索、编码、构建、与外部系统协调并最终交付结果的全部流程。

这一特性在矿业场景中极具价值。未来，矿业工程师或许只需向AI代理下达“分析某矿区最新勘探数据并生成钻孔部署方案”的指令，代理便能自动调取地质数据库、运行建模软件、生成初步方案，并协调可视化工具呈现结果，极大缩短从数据到决策的周期。

研究进一步构建了一个基于个人层面的任务成本框架，将工作任务分解为多个离散步骤，并追踪其完成成本（包括时间、精力和金钱成本）。

核心发现： 传统对话式AI（如常规搜索）具有低固定成本（易于启动，提问即得答案）但高边际成本（每一步仍需用户决定下一步，如追问、解释、手动处理）。而AI代理则具有高固定成本（需仔细设定目标并验证输出）但低边际成本（代理能自主规划并执行大部分甚至全部工作流程）。

这一权衡关系意味着，代理的真正价值在于将固定成本摊销到足够长的任务周期中。对于短任务，聊天机器人更高效；但对于涉及多步骤、多系统协作的复杂长任务，AI代理则显示出绝对优势，因为它拓展了值得尝试的任务边界，将用户推向之前因成本过高而无法承担的高价值工作。

矿业项目恰恰是典型的长周期、高复杂度任务集合。从矿产勘探、资源量估算、可行性研究到矿山设计与建设，每个环节都涉及数十甚至上百个离散步骤。传统模式下，地质师和工程师需要手动完成大量重复性数据整理与初步计算工作。引入AI代理后，虽然前期需要投入时间设定明确的项目目标、参数和验证标准（高固定成本），但一旦启动，代理便能自主执行数据清洗、模型运算、报告生成等一系列中间步骤（低边际成本），从而将矿业专家从繁琐的执行工作中解放出来，专注于高层次的解释、判断与决策。

研究通过一项严谨的自然实验验证了AI代理的实际影响。利用2026年2月至5月间Perplexity的数据，研究者发现同一用户在几乎相同的任务上分别使用了对话式AI（Perplexity Search）和AI代理（Perplexity Computer），形成了10,000组可对比的配对会话。

为确保代理会话真正在执行工作而非简单聊天，研究者只保留了至少调用过一次“执行”工具（如代码、浏览器操作、文件写入或外部API调用）的会话。随后，他们通过工具逐项估算、独立大模型估算（均与美国劳工统计局工资数据校准）以及对25名活跃用户的访谈，综合评估了“搜索+人工”流程与“代理+人工”流程的效率差异。

实证结果令人震撼：

• 效率飞跃：在“Perplexity Computer + 人工监督”模式下，平均任务完成时间从估算的269分钟（“Perplexity Search + 人工”模式）锐减至36分钟，降幅高达87%。这与此前通过独立大模型估算出的84%时间节省高度吻合。

• 质量提升：更重要的是，效率提升并未以牺牲质量为代价。研究者通过分析用户在多轮交互中的后续消息发现，若下一条消息包含纠正、重试、重新提问、错误报告等信号，则视为不满。结果显示，AI代理（Perplexity Computer）引发的下一轮不满率低于对话式AI（Perplexity Search）。

• 角色与范围的扩展：效率提升只是故事的一部分。当执行工作被委派给代理后，用户的角色和任务范围发生了根本性转变。他们从“亲力亲为的执行者”转变为“监督者与扩展者”——将更多时间用于验证和拓展代理的输出结果。此外，他们更频繁地跨越职业边界，承担起超出自身核心专长的任务，尝试更复杂的认知工作，并调动更广泛的知识领域。例如，一位营销人员可能进行深入的财务分析，一位律师可能制作出更精良的客户准备材料，一位创始人可能更深入地参与产品和设计工作。

这一发现对矿业人才转型具有深远意义。未来，矿山的采矿工程师、地质师、选矿工程师等专业人员，其核心价值将不再是执行标准化的计算或报告编制，而是：