AI Agents: From Tools to Partners - 7 Expert Insights

什么是AI Agent

鸭哥的观点

AI Agent需要满足三个必要条件： 1. 能使用工具，如调用搜索引擎搜索或调用编程语言编程。 2. 能够自主做决策，知道如何分解任务、按顺序和参数调用工具以完成目标。 3. 决策是多步且自我迭代的，能根据前一步结果动态决定下一步行动，而非像静态工作流那样固定。

新琦的观点

重点在于人与AI的合作关系，是真正的甲方和乙方关系。好的乙方能端到端承接流程，在关键节点主动介入并提供决策建议，在得到高层指令后自动执行，交付成品而非半成品。

用户使用AI Agent的惊喜时刻

鸭哥的使用体验

他经常使用三类Agent： 1. 教练型：如OpenAI的deep research或ChatGPT型的o3，用于获取调研信息和深度思考，了解不熟悉领域。 2. 秘书型：像Manus和Devin，适合相对简单的工作。例如，让Manus基于白雪公主写故事并夹带教育小孩好好吃饭的私货，再调用TTS生成音频哄娃睡觉。 3. 搭档型：做复杂软件开发任务时，倾向于使用cursor windsurf等允许频繁交互和手把手指导的工具，自己作为架构师与Agent讨论设计、组合模块并审计结果。

新琦的使用体验

内测的CreateWise软件，一键上传音轨就能呈现完全剪辑完的音频，甚至能模仿声音拟合结构混乱的语句，还能针对不同平台生成文案，包括shownotes、金句、标题建议等。

Kolento的使用体验

在通用层面，Manus和Genspark的super Agent模式能帮他完成之前不想做的事；在coding层面，喜欢用Replit，它能帮自己做更多决策；在学术层面，Elicit未达到心中Agent定义。

AI Agent的槽点

鸭哥的槽点

1. instruction following问题：例如让GPT 4.1按特定要求写提纲章节，它总添加多余内容，最后通过逆向思维解决。
2. 为用AI而用AI：很多产品未针对用户痛点，如订机票，用户痛点在于确定行程时间和综合考虑酒店机票价格，而非填信用卡号等操作。
3. 人类社会信息获取限制：人类社会很多重要决策在非正式场合做出，AI无法获取这些未付诸文字的信息。

新琦的槽点

1. 缺乏人情味：很多Agent产品会剪掉多人播客中的笑场和集体沉默，而这些往往是节目有趣的部分。
2. 语言和播客类型差异：不同AI产品对中文和英文的识别、转译及剪辑建议能力有很大差别，多人播客的音频处理比单人播客复杂得多，现有Agent产品在多轨处理和抢话环节剪辑上存在不足。

课代表立正的观点

吐槽AI Agent的做法本身存在错误，一是理解上的错误，Agent是基于大语言模型和现有工具逐步构建的，不能指望它一开始就完美；二是使用上的错误，AI不是魔法，用户需要学会如何用好它，不能以普通用户心态对待，而要用构建者心态。

从开发者角度看问题

曲晓音的看法

1. AI Agent的LM本身不够智能，更多是工作方式变化：如同初入职场的实习生，缺乏工作经验。AI需要更多工作经验和用户反馈来提高准确性。
2. 数据掌握和预期设定：AI application公司掌握用户反馈数据，可判断预期是否满足，但预期需用户设定。
3. use case的聚拢：聚焦的use case能有大量重复性数据来判断产品好坏，而过于宽泛的use case难以建立有效的评判体系。

俞舟教授的看法

1. 技术层面应对策略：Agent不是单一工具，需要做Guardrail防止不良情况出现，要教用户最佳实践并进行测试和评估，根据评测结果做调整，可用Agent的workflow处理问题。
2. 产品设计层面解决方案：提供多种工具，满足用户对结果可控性的需求，平衡AI的强大能力和用户对可控性的要求。
3. 对“AI缺乏人类暗信息”的看法：不同行业情况不同，像线上工作性质的行业更适合AI超越人类，而线下服务和大企业销售等行业，AI在获取输入数据上存在不足。

Agent搭建者的突破方向

俞舟教授的探索

1. backtracking和self correction能力：让Agent能根据自身表现选择自我纠正。
2. self learning能力：通过自身方式学习。

曲晓音的透露

1. 多个Agent的合作：卖的是解决方案，需要多个Agent合作，可能会出现AI CEO或AI leader Agent来领导其他Agent。
2. 解决单技能无法解决的问题：通过多个Agent的合作，取代整个团队甚至公司。

技术挑战

1. 多Agent工作问题：多个Agent在同一台或分布式系统的机器上工作会出现并发等问题，需要高效、低成本地处理。
2. 安全问题：如数据库操作，多个Agent同时修改数据库可能导致数据不一致，需要解决数据库存储和与Agent连接的高效性问题，以及Agent之间的记忆分享、权限管理等问题。

产品设计重点

1. 行业know how和用户理解：除了大模型的智商水平，还需要了解行业最新玩法和用户具体需求，确保产品能为用户带来商业价值。
2. AI的品位：AI产品的设计要有一定调性和个性，符合用户品牌预期，这需要训练、设计者品位和对客户行业品位的理解。
3. 用户洞察：理解用户的模糊需求，透过现象看本质。

市场培育挑战

1. 真实ROI问题：大企业中部署Agent的真实投资回报率不高，推进速度慢。
2. 生产关系重构：重构企业工作流程和生产关系困难，需要从上到下的方式来教育员工，让他们更好地利用AI。

商业视角：打破传统SaaS壁垒

高宁的看法

1. 新数据的价值：新的数据不在传统SaaS公司手中，新的startup掌握新数据后能为客户提供真正有价值的服务，打破传统SaaS垄断。
2. 渠道和客户关系：初创公司陪伴高速增长的客户发展，能掌握新的渠道和客户关系。

鸭哥的看法

1. 默契护城河：通过数据积累让AI了解用户偏好和使用习惯，产生默契，形成竞争优势。
2. 数据构建护城河：创业者和产品经理要思考如何通过数据构建护城河，让用户和AI产生默契。

曲晓音的看法

1. 深入垂直领域：了解用户业务，提供端到端解决方案，帮助用户挣钱，深入垂直领域能增强不可取代性。
2. 解决最终目的：提供最终能帮助用户实现挣钱等最终目的的服务，而非只是中间步骤，能提高产品的护城河。

大模型公司对创业公司的影响

高宁的辩证看法

1. 竞合关系：通用型Agent与大模型公司存在竞合关系，短期内新增用户多，问题不大；长期来看，当模型产品用户增多且差异化不明显时，可能会有替代。
2. 应用层优势：应用型产品可选择多种模型组合，在成本和效率上更优。

俞舟教授的看法

1. 中立平台价值：中立的第三方平台更容易快速推进，企业不想与任何一家大模型公司深度绑定，需要备份，中立平台能提供这种方式。

避免与大模型公司正面竞争的建议

1. 与垂直应用合作：大模型公司不太可能拥有每家公司的私有数据，也不太会去做与工作流磨合打通等脏活、苦活，初创公司可与垂直应用合作。
2. 专注核心用户：偏通用型产品存在隐患，应用型产品应更专注核心用户，做成基于工作流的SaaS工具或与大客户合作定制解决方案。

成本压力问题

曲晓音的回答

用户以结果为导向，只要能交付结果，价格和速度足够惊艳，就不会太在意token本身的成本。用户更关注效果，要求产品至少达到与人工一样的水平。

哲学思考与未来展望

Kolento的思考

1. 交互方式演变：传统AI交互需要人类多次审核，未来Agent应先与用户对齐价值观、记忆和偏好，在出现高危或极端情况时才找用户确认。
2. 个人价值担忧：随着人与机器交互变“薄”，人类只是给出高层引导，担心个人价值被替代。

新琦的理解

人类依然是形成想法、提供指令、精雕细琢和保障成品的核心，AI是合伙人。人类的价值在于深入领域的洞察、个人身边未结构化的信息以及多人之间观点的差异化张力。

鸭哥的观点

人与AI的关系逐渐变为领导和下属关系，人类的核心竞争力从会用工具变为会管理AI，这需要改变思维方式。

Kolento的强调

AI无法代替人做价值判断，人类的个性化不能被放弃，应有关注个人的大模型，实现AI与人的对齐和负责任的AI。

曲晓音的宏观思考

AI可能像人类一样组织大量AI Agent，迸发出更强大的能力，但也可能存在利益不一致和打架的情况，需要处理类似于人类社会架构的问题，还可能出现AI Agent管人或人管AI Agent的情况。

总结

今天的讨论丰富多样，我们需要学习管理AI，设计AI友好的系统，找到自己在AI时代的定位。感谢各位嘉宾的精彩分享，欢迎大家留言和联系。