不是改一个按钮，不是修一个 bug，而是从 0 到 1，把一个完整应用的移动端与 Web 端一起交付出来。只给了AI一件东西：一份产品调研资料。
上周，专注 GUI 和 SWE 数据合成的企业平等智能联合阿里云设计了一个实验。设定很简单，也很苛刻：
• 模型：千问 Qwen3.7-Max
• 唯一输入：一份产品调研资料（目标 App 的用户流程文档、关键页面拆解
报告）
• 要求：在平等智能的 RL / Sandbox 环境里，从0交付一个可运行的应用——移动端与 Web 端双端
• 没有给的：没有设计稿、没有现成代码、没有分步骤的人工拆解
下面这段日志，是 Agent 执行过程的真实片段。你能看到它在并行读取调研文档、逐份消化用户流程与页面报告，再据此一步步把产品搭起来——这正是一条“超长程任务链”被真实跑通的样子。
这不是一次常规的功能迭代，而是对建站全链路的重塑：帮你把网站从一个单纯的想法，真正推进到可上线、可管理、可持续运营的商业状态。
移动端 DEMO
WEB端 DEMO
Web 端：左侧导航/图文详情页/评论流
发现页的瀑布流、商城的分类与商品卡、内容详情页的图文与评论流，核心界面与主要交互都被几近还原。
说明：本次为内部技术能力验证，目标 App 为一款图文社区＋商城形态的生活方式产品。文中界面均为模型自主复刻的还原效果，不含任何真实用户数据，不作商业用途。
如果你做过 Agent，你大概知道这件事的分量在哪——所以我们想把它背后的方法，完整讲一遍。
过去一年，Coding Agent 和 GUI Agent 的能力提升，越来越依赖两样东西：长程轨迹数据，和可交互的环境。但主流做法，存在两个绕不过去的缺口。
① 模仿轨迹 ≠ 真正的 Coding 能力。今天很多训练数据，是对 SOTA 模型轨迹的模仿与蒸馏。模型学到的，往往只是“工具调用 + 长程思考”的表层形式——它会调 tool，但未必理解为什么要调这个 tool、这次调用在解决什么问题。形似，而神不似。
② 改 feature、调 bug ≠ 真实产品交付。现有的 RL 任务，大多停留在改一个功能、修一个缺陷。任务边界小、上下文短、目标单一。它训练不出“从 0 交付一个真实应用产品”的能力，因为它缺少真实环境里那种长程依赖与副作用反馈。
而真实的 delivery——从需求一路走到能跑的产品——才是超长程能力真正的试金石。
解法是两条相互咬合的主线。
①面向Coding & GUI Agent 的训练数据。不止记录“调用了什么工具”，更标注“为什么调用、目标是什么”。它同时覆盖 Coding（代码）与 GUI（界面操作）双形态，强调从需求到交付的完整长程任务链。数据解决的是“理解什么”的问题。
② 可交付产品级的 Sandbox 环境。一套可交互、可复现、可验证的隔离运行环境，支撑真实产品交付级别的长程任务，并提供可验证的执行反馈与奖励信号。环境解决的是“在哪练、怎么验”的问题。
一句话：数据让模型学会“为什么调”，环境让 RL 在“接近真实”的条件下进行。
这次实验，最在意的不是“还原得有多像”，而是它证明了一条路是通的：在一个足够真实、可验证的环境里，给定明确的调研输入，模型有能力把一个应用级产品从 0 跑到 1——独立完成跨越数小时、涉及大量长程依赖的复杂交付任务，而不是只在小任务里打转。
这恰恰回应了上文提到的那两个缺口：它不是在模仿一条轨迹，而是在理解一份需求并交付一个产品；它不是在改 feature，而是在做真正的delivery。
这次千问 Qwen3.7-Max和平等智能的配合，让我们相信一个判断：预训练时代的稀缺资源是数据，强化学习时代的稀缺资源是环境。谁能把“接近真实”的交付环境做扎实，谁就握住了下一代 Agent 能力增长的地基。
关于平等智能：
Efflora（平等智能）是一家专注 GUI 和 SWE 数据合成的公司，我们提供并构建训练与强化学习（RL）环境、沉淀可复用的结构化行为数据。让 Agent 在真实的应用场景中学习与执行任务，覆盖多端，并把每一次真实操作都转化为可被复用的行为轨迹和意图。
