DeepSeek-V4-Flash正式版Agent实测：执行任务能力到底提升多少？

DeepSeek-V4-Flash正式版发布，正式版重点提升了Agent任务处理的能力。

直接通过两个任务测试它Agent 执行复杂任务的能力。

本次设计两个实际任务：

• 一个偏基础：文件处理与数据计算

• 一个偏复杂：网络信息获取与分析

分别测试：

• 思考模式

• 非思考模式

重点观察：

1. 任务是否完成

2. 执行过程是否稳定

3. 遇到问题是否会解决

4. 最终交付质量如何

测试一：Excel数据生成与处理任务

任务内容

帮我生成50个学生成绩测试数据，包含学生姓名、语文、数学、英语、物理、历史成绩，并保存到Excel文件。然后读取Excel文件，计算每个学生平均成绩和总成绩，添加到原数据中，最后保存新的Excel文件。

思考模式表现

首先规划任务，规划的十分详细，后续执行也是严格按照规划过程执

所有步骤都准确无误的地执行，最终结果有效。

在计算总成绩和平均成绩时，消耗token：22530，用时2分12秒。

思考占用大量时间和token消耗，在思考的前1/10，就输出了要计算的结果。剩下的都在验证数据计算是否正确，它通过多种方式验证计算是否正确。

1. 每个学习成绩逐项相加计算总分数和平均分数，验证是否与初始生成的相同
2. 每个学科相加后计算所有学科的总成绩，验证是否与每个学生的总成绩之和相同。
3. 基于两种方式计算的总成绩，又验证总平均成绩是否相同。
4. 再次使用计算的每个学生的总成绩/5对比平均成绩是否相同。
5. 再次以每个同学的成绩逐项相加，计算总成绩和平均成绩，并验证是否与初始数据是否相同。

头尾两次完整计算数据输出，中间5轮数据验证。

每次验证的过程和结果都是正确的，感觉有点过度思考了。

验证的目的是判断输出的计算结果是否正确，这本身没有问题，经历5轮数据验证，确实有助于反复验证数据是否准确。

但验证本身与输出数据一样，也是可能出现输出错误问题的，5轮验证很可能反而提高了输出错误的风险。

最后任务顺利完成

非思考模式表现

首先规划任务：

但过程中出现一次，生成的数据不符合要求，不是标准的二维数组。不过模型没有直接失败，而是重写构造正确的数据完成任务

最终结果

最后完成任务，执行速度明显比思考模式更快。

第一个任务总结

这个任务包含多个连续操作：

属于典型办公自动化 Agent 场景。

思考模式 和 非思考模式 执行结果对比

思考模式输出的规划过程更详细、输出的结果更正确。但思考过程耗时较长，token消耗较多

测试二：AI热点资讯获取与分析任务

任务内容

查询网络信息，获取最近几天热点AI资讯，汇总摘要，并附原文链接。筛选1-2篇偏AI技术应用方面最有价值的资讯，分析应用发展前景。

相比第一个任务，这个任务难度更高。因为它不是一个仅靠内部就可以闭环的任务，任务中可能遇到各种未知的问题。

思考模式执行过程

任务规划，规划得很详细，逻辑清晰。

实际执行时，遇到机器之心需要订阅问题。

只有订阅后才可以获取网络链接地址和具体内容

它识别到问题后，拼接了一个rss的链接地址https://www.jiqizhixin.com/rss，

访问失败后，它又开始构造新的地址https://www.jiqizhixin.com/rss.xml，

它好像一直没有Get，未订阅不能访问数据。

解决办法，要么订阅后获取数据，要么放弃从这个完整获取数据。而是一直自己的尝试用野路子。

最终因为持续循环，我主动终止任务。

非思考模式执行过程

规划执行流程，流程同样很清晰

与思考模式一样，它也规划了从机器之心获取数据，虽然它也经过了多次尝试获取网页数据，但它最终判断出要订阅才能获取链接地址，在未获取到链接地址的情况下退出了该子任务

接着，他在36氪AI频道获取了数据，最后选取了两篇文章访问具体内容，生成总结与分析。

但在最终输出结果时，他丢失了获取的咨询列表，仅保留两篇重点分析的文章。还好他自我检查出来了。

然后他重写规划，最后顺利完了任务

在整个任务执行过程中，它的整体逻辑比较清晰，虽然也有错误，但它能够即使发现错误，然后纠正错误。

在之前的预览版中它，任务完成就结束了，不会验证结果是否符合要求。

第二个任务暴露的问题

这个结果其实很有代表性。

DeepSeek-V4-Flash正式版明显增强了：

1. 问题解决意识

以前模型：

工具失败 → 返回失败原因

现在：

工具失败 → 分析原因 → 尝试解决

这是Agent能力的重要提升。

2. 任务交付意识

相比预览版：

正式版明显更关注最终结果。

以前：

执行完成即可。

现在：

会尝试：

• 丰富结果
• 检查内容
• 优化输出

更像一个真正执行任务的助手。

但是：

3. 缺少停止判断

这是目前最大的问题。特别是思考模式，存在过度思考的问题。过度执着与不能完成的任务。

Agent不仅需要：

解决问题能力

还需要：

判断什么时候应该停止。

否则：

越强的思考能力，可能导致：

• 更长执行时间
• 更多Token消耗
• 无意义循环

DeepSeek-V4-Flash正式版 vs 预览版

从这次测试来看，最大的变化不是模型知识提升，而是 Agent行为变化。

通过两个任务测试：

DeepSeek-V4-Flash正式版相比预览版，Agent能力有明显提升。

主要提升集中在三个方面：

但目前仍存在：

这次测试虽然只有两个任务，并且都是单次执行，存在一定随机性。

但从实际Agent使用角度来看，一次任务执行能力本身就是重要指标。

从测试结果来看，DeepSeek-V4-Flash正式版相比预览版，最大的变化不是单纯能力提升，而是明显具备了更强的 Agent 思维方式

真实任务环境和Demo展示有很大区别。

Demo通常都是：

• 固定流程

• 已知工具

• 理想环境

• 没有异常情况

而实际工作中：

• 网站可能无法访问

• 数据可能不存在

• 工具可能失败

• 文件格式可能异常

• 用户需求可能存在歧义

永远会出现模型训练中没有覆盖的情况。

这也是当前Agent最大的挑战：

不是能不能完成任务，而是遇到未知问题时，如何快速找到正确方向。

未来Agent能力评价不能只看：

“这个任务能不能完成”

还需要看：

“能不能快速完成”
“能不能稳定完成”
“消耗多少成本完成”

因为在真实生产环境中：

一次成功但耗时10分钟、消耗几十万Token的Agent，并不一定比一个几十秒完成任务的Agent更优秀。

真正优秀的Agent应该同时具备：

解决问题的能力 + 判断问题的能力 + 控制成本的能力。

DeepSeek-V4-Flash正式版已经迈出了重要一步，在Agent任务中，它开始像一个真正执行任务的助手，但距离一个可靠、高效，还有不少优化空间。