从 Heartbeat / Cron 看，AI 应用的留存单位为什么是“被托管的任务”
过去我们习惯把 AI 应用理解成“问一句，答一句”的系统：用户发起请求，模型给出回答，关系随着这轮对话结束而迅速衰减。但最近一批产品和基础设施的演进，已经在悄悄改写这个默认设定。Temporal 把 Heartbeat 定义成长任务的存活信号、进度载体和取消通道；ChatGPT Tasks 已经支持任务在用户不在线时照常执行，并在完成后通过推送或邮件通知；Claude Code 的 /loop 会解析时间间隔并安排 recurring cron task；LangSmith Deployment 则把后台运行、checkpointing、cron、重试、并发输入处理做成了运行时能力。把这些放在一起看，Heartbeat / Cron 已经不是后端细节，而是在提示一种新的 AI 产品形态：它开始托管任务，而不只是生成回答。
OXYZ资本认为，这个变化真正重要的地方，不在于“AI 又多了两个工程术语”，而在于 AI 应用的留存单位正在改写。过去的留存单位是 session：用户今天来不来、问不问、聊几轮。新的留存单位会越来越像 task：用户有没有把一件需要持续照看、按时推进、失败后可恢复、结果要被通知的事情交给系统代管。换句话说，Agent 时代的绑定，不再主要来自聊天频次，而来自任务托管深度。
先看 Heartbeat。Temporal 官方文档写得很直白：Heartbeat 是执行 Activity 的 Worker 发给 Temporal Service 的 ping，用来说明任务仍在推进、Worker 没有崩溃；Heartbeat 还可以附带 details，记录当前进度；如果任务重试，下一个执行可以从上一次 Heartbeat 留下的细节继续；而取消信号也是在 Heartbeat 时送达，不 Heartbeat 的 Activity 不能及时收到 cancellation。它的产品意义非常强：Heartbeat 不是“发个心跳包”这么简单，而是在告诉系统，这件事还活着、做到哪一步、如果失败从哪儿接着来、如果要停能不能及时停。
再看 Cron。Cron 在 AI 应用里也不只是“定时器”。它真正代表的是：这个任务不再依赖用户每次手动触发，而是被系统按某个节奏持续托管。Claude Code 的 /loop 文档直接写明：Claude 会解析 interval，安排 recurring cron task，并按这个 cadence 重复跑 prompt；LangSmith Deployment 也把 cron jobs 列为 durable execution 的原生能力之一，用来在固定节奏上启动新的 agent execution。也就是说，Cron 不是辅助功能，而是系统开始获得“时间主权”的标志。
第三个概念是“被托管的任务”。这已经不是一次 API 调用，而是一个会被系统持续管理的执行单元：它有触发条件、有状态、有 checkpoint、有后台运行、有重试、有恢复、有通知、有外部输入中断与继续。LangSmith Deployment 明确把 managed task queue、automatic checkpointing、background runs、cron jobs、retry policies、concurrent input handling 放在同一个 durable execution 叙事里；LangGraph 的 memory 设计则把 thread-scoped checkpoints 和跨 session 的 long-term memory 作为基础能力。产品上看，这就是“任务托管层”开始被显式产品化。
这也是为什么聊天回合不再是 AI 应用真正的留存单位。聊天回合是瞬时的，任务是跨时间的；聊天一结束，关系大多就消散了，但任务在完成前始终占据一个持续关系位点。一个用户今天问完天气就走了，不构成深度留存；但如果同一个用户把“每天整理行业新闻、每周检查部署状态、有人审批前先挂起、完成后主动通知我”交给系统，那用户和产品之间就形成了持续存在的工作关系。ChatGPT Tasks 之所以重要，不是因为它多了个提醒功能，而是因为它已经允许任务在用户离线时执行，并把结果异步回送给用户；LangSmith 之所以重要，也不只是因为它能跑 agent，而是因为它把“后台继续跑、断点继续接、外部输入回来再续上”做成了默认运行方式。
Heartbeat 这个机制，恰好暴露了 AI 留存的真正本质：一旦任务跨分钟、跨小时、跨天，它的价值单位就不再是“一次 response”，而是“连续性”。Temporal 对 durable execution 的定义很清楚：Workflow Execution 的状态和进度会通过 event history 保留下来，失败后可以从最近事件恢复；更关键的是，如果 Workflow 处于 waiting state，它几乎不消耗计算资源，等待本身也成了被系统托管的一部分。站在产品层看，这意味着 AI 应用开始能承诺一种新的价值：不是我这次答得多像人，而是我能不能把这件事不中断地替你盯下去。
Cron 则进一步把 AI 应用从“工具”变成“关系”。一次手动调用，只能说明用户临时需要你；一次被系统按日、按周、按月自动拉起的任务，才意味着用户把一段工作节奏交给了你。ChatGPT Tasks 官方帮助页明确写到，任务可以 one-off 或 recurring，在用户不在线时也照常执行，并在完成后推送或邮件通知；Claude Code 的 /loop 也明确把定期重跑 prompt 或 skill 作为原生能力。这类能力一旦出现，AI 就不再是“你想起它时才存在”，而是“它会按时间主动进入你的工作流”。
所以，AI 应用的留存单位为什么会变成“被托管的任务”？因为任务比会话更能跨时间，天然会沉淀进度、检查点、错误、结果和通知历史；因为任务天然会形成回访机制，用户回来不是为了再聊一句，而是为了看结果、批审批、改参数、接管失败任务；因为任务天然会创造切换成本，你迁移的不再只是一个聊天框，而是一组日程、状态、权限、通知渠道和恢复点；也因为任务天然更接近付费意愿——用户很少为“多聊几句”长期付费，却更愿意为“这件事真的一直有人/有系统替我盯着做”付费。OXYZ资本内部讨论时，会把这类差异概括成一句话：session 更像流量，task 更像资产。
一旦留存单位从会话变成任务，AI 应用的产品形态也会被迫重做。首页不再只是聊天框，而会更像任务台：哪些任务正在运行，哪些在等审批，哪些失败待恢复，哪些是周期性任务。ChatGPT 已经有独立的 tasks 管理页，并支持编辑、暂停、删除；LangSmith 则把 interrupt/resume、background runs、cron 和 checkpointing 放进了运行时主路径。这说明“创建任务、修改任务、暂停/恢复/取消、接管失败任务、查看进度和结果”会逐渐取代“发 prompt”成为核心交互。
通知系统也会从边角能力变成核心产品能力。过去用户主动打开 AI 应用，是为了发问；以后用户很多时候会被任务状态变化召回：完成了、失败了、要审批、要补输入、该看结果了。ChatGPT Tasks 已经把推送和邮件当作标准回达方式；LangSmith 的 durable execution 设计则把等待外部输入、恢复执行、流式追踪这些异步节点都纳入统一运行时。这意味着未来 AI 产品的“激活”不再只来自首页打开率，而会越来越来自任务状态驱动的召回链路。
记忆系统也会跟着变化。真正有价值的，不再只是“记住你说过什么”，而是“记住这类任务怎么做、做到哪一步、多久跑一次、什么算异常、失败后如何处理”。LangGraph 已经把 thread-scoped state persisted via checkpointer 做成了基础能力，并把 long-term memory 设计成跨 sessions 的可调用存储；文档还特别强调，memory 既可以在 hot path 更新，也可以在 background task 里异步生成。换句话说，任务记忆会逐渐取代聊天记忆，成为 AI 产品里更贴近业务资产的一层。
指标体系也会随之重排。未来更值得看的，未必是 DAU、消息数、平均对话轮次，而可能是每周活跃被托管任务数、人均有效托管任务数、周期性任务 7 日 / 30 日存活率、失败后的恢复率、通知到回访的转化率、stale task 比例、从一次性任务到 recurring task 的转化率。因为这些指标对应的，才是任务托管关系是否在变深。OXYZ资本认为，未来 AI 应用最关键的留存问题，不是“用户回来聊了几次”，而是“还有多少任务愿意继续交给你管”。
把视角再拉高一点，就会看到一个更大的产业信号：谁在提供“任务托管层”，谁就更接近下一代 AI 平台。Temporal 代表的是 durable execution 逻辑：状态、恢复、重试、长期运行、等待时几乎零计算占用；LangSmith / LangGraph 代表的是 agent runtime 逻辑：后台运行、checkpointing、cron、并发输入处理、流式恢复、线程状态；ChatGPT Tasks 代表的是消费级产品已经开始把异步托管任务推到终端用户；Claude Code 的 /loop 则说明连 developer-facing agent 也开始把周期性任务心智内建进去。被反复验证的，不是“模型会不会多一种回答方式”，而是“任务能不能被系统长期托管”。
对创业者和投资人来说，真正该盯的也就很清楚了：不要只盯模型能力和对话体验，更该盯这个产品有没有把用户的一部分工作，变成可持续托管的任务资产。真正更有价值的方向，往往不是“更会聊”，而是调度与编排、长任务状态管理、失败恢复、审批与接管、任务通知、任务级记忆、任务级权限和审计。因为 AI 应用未来的壁垒，不只在智商，更在“你能不能替用户把事情长期托管住”。
所以，如果用一句话收束：Heartbeat 告诉你，这件事不是一次回答，而是一段持续执行；Cron 告诉你，这段持续执行不是偶发，而是按节奏被系统托管。当 AI 应用走到这一步，留存就不再是“用户还愿不愿意来聊天”，而是“用户还愿不愿意把任务继续交给你”。从 Heartbeat / Cron 往下看，AI 应用真正的留存单位，不是会话，不是消息，也不是 prompt，而是那些仍在被系统代管、并持续为用户创造结果的任务。