AI Agent 是一种品质,不是技术

一、两拨人，两个世界

最近半年，我明显感受到一个现象：身边朋友和同事对 AI 的态度，正在分裂成两个完全不同的世界。

一拨人每天都在关注AI最新的发展，学习新的工作流概念 、刷B站、刷各种 AI 资讯号。从 Cursor 到 Claude Code，从 OpenClaw 到 Hermes，从 MCP 到 A2A 协议——新概念一个接一个往外冒，焦虑感如影随形。”完了，昨天刚学会的东西今天又被迭代了”，”这个人用 Agent 重构了整个项目，我已经落后了”——这种 FOMO（Fear Of Missing Out）的情绪在这群人里弥漫，他们拼命地学，拼命地实践，生怕被时代甩下车。

但还有另外一拨人。他们占了绝大多数。

你跟他们聊 AI，他们会说：”AI不就是浏览器里的对话框嘛”或者”我也装了豆包，生活问题经常问它”，然后就没有然后了。你问他们有没有试过让 AI 写单元测试、整理文档和邮件、写slides，他们会露出困惑的表情——”AI 还能干这个？”在他们的眼里，AI 始终是一条新闻、一个谈资、一个”以后可能会改变世界但我暂时还感受不到”的遥远概念。

而真相是：AI Agent 的时代不是”要来”，是”已经来了”。那拨 FOMO 的人不是在杞人忧天，他们是对冲得最快的先行者。而那拨无感的人，甚至还没有意识到——AI 现在能做的事情，已经足以替代他们 80% 的工作内容。

二、事务 vs. 决策：重新理解我们在做什么

要解释这种撕裂，先得把”工作”这个模糊的概念拆开，把工作分成事务性工作和决策性工作。

事务性工作的特点是：SOP 明确、过程可描述、结果可验证。你每天填的表格，整理的测试报告，写的 PPT，开发的软件模块——它们都有一个共同点：做得好不好是一回事，但”怎么做”这件事，是可以被清晰地讲出来的。

决策性工作的特点正相反：它依赖隐性知识。产品方向为什么选 A 不选 B？软件架构为什么要这样设计而不是那样？Troubleshooting 是怎么一步步推理最后找到root cause的？这些判断的背后，是你在这个专业里日积月累下来的一切——在大学里学过的专业知识，工作后踩过的坑、读过但已经忘记出处的某篇文章、做过的每一个错误的决定。这些东西你甚至没法讲给自己听。它们是无言的、不自觉的、高度压缩的推理直觉。

用这个拆分去看 AI 的能力边界，会发现一个非常清晰的结论：

事务性工作，AI Agent 已经可以做了。而且做得不差。你给Claude Code 一份 PRD，它能写完整个功能模块；你给一个 Agent 你的邮箱权限，它能每天早上给你出一份摘要，标好优先级。这些不是未来，是现在。

决策性工作，AI 依然非常弱。隐性知识的不可言说性，意味着你没法把它写成 Prompt。推理链条一长，幻觉就出来了；信息一旦不完整，判断就错了。AI 现在能辅助你做决策——帮你整理信息、帮你对比方案——但”综合考虑做出最合理判断”，它做不了。

到这里，结论似乎很乐观：事务性工作被 AI 吃掉，人类被解放出来做更有价值的决策性工作，多好。

但体感不是这样的。

因为我们忽略了一件事：事务性工作，其实是一种休息。

你有没有过这样的体验？一个下午不跟人说话，戴着耳机写代码、写文档、做表格——不需要推敲，不需要纠结，不需要在几个都不完美的选项里痛苦地权衡。你的手在动，你的大脑在低功耗巡航。那个状态不是”高效”，但它是一种稳态。它让你在那个下午过后，还能有精力去做一个艰难的troubleshooting。

现在这种”休息”被 Agent 吃掉了。

AI 替你写了代码，替你整理了文档，替你画了 PPT。你的工作时间里，事务性工作的占比越来越低。你被迫在更高比例的时间里停留在决策区——那个消耗巨大、容易焦虑、需要持续和自己辩论的区域。

我们用 AI 把体力活自动化了，却发现自己更累了。

三、AI 不是技术，是一种品质

我们先把 AI 放一边。

在 AI 时代之前，就有这样的事实：同一份工作，不同的人做，效率可以差十倍。不是因为智商差十倍，而是有一些人他们天然地会去问一个别人从来不问的问题——

“这件事有没有更好的做法？”

他们会自己去写脚本，把重复操作自动化；他们会去研究快捷键，让自己的手不离开键盘；他们会去搭建自己的笔记系统和信息流，把碎片知识织成网络；他们会去设计自己的工作流，然后不断地在跑的过程中调整它。不是因为有人要求他们这样做，而是他们受不了低效——他们本能地在寻找杠杆。

AI 时代之后，发生了什么变化？

什么都没变。同一批人，开始做同样的事。只不过这次的杠杆变成了——提示词工程、Harness编排、工具链串联、上下文管理。新的概念，新的技术栈，但底层驱动力是同一种：”我能不能让机器替我把这件事做了？”

所以我说：AI 不是一种技术，是一种品质。

技术只是载体。品质是什么？品质是——你看到一件重复的事情，心里会不会不舒服。技术会迭代，工具会更新，Power Automate可能死掉，但 Claude Code 会长出来。掌握这些工具需要学习成本，但愿意去学这些东西的人，从来都是同一群人。明天出现一个新范式，还是这一群人先学会。

这不是智商高低，这是本能。

创造高效 AI 工作流的方法论，本质上就是一句话：剥离事务性工作和决策性工作，把前者的 SOP 清晰地描述给 AI ，然后把省下来的精力和时间全部砸在后者上。

但这件事的难点不在 AI。它的难点在于——绝大多数人在第一步就卡住了。他们甚至没法描述自己”到底在做什么”。你问他你写代码的流程是什么，他说”我就打开VS Code 开始写啊”；你问他你的决策逻辑是什么，他说”看测试结果没问题就行啊”。把隐性知识显性化，这件事本身就极其困难。AI 的出现，只是把这种困难暴露了出来。

所以你会发现，能高效使用 Agent 的人，通常首先是善于复盘和总结的人。他能在脑中构建自己工作的元模型。这种能力在 AI 时代之前就已经让他脱颖而出，AI 只不过把这个差距放大了。

AI 不会创造差距，AI 只会暴露品质。

四、Agent 的必然：工程侧才刚刚开始

过去很多年，大模型本身没有什么本质性突破——我们没有看到比 Transformer 更精准高效的架构出现。有些科研者因此对 AI 的热情消退了下来，觉得”瓶颈到了””不过如此”。

但Agent 这件事情的意义，在大模型停滞的阶段才真正开始显现。

因为工程侧的优化才刚刚开始。

从技术视角看，Agent 可以被拆成两部分：LLM（大脑）+ Harness（手脚）。LLM 负责理解、推理和生成；Harness 负责执行——调度工具、管理上下文、处理错误、保持状态。这一套东西在配合上还有巨大的优化空间。

回看过去：Manus 的出现把”通用 Agent”这个想象点燃了，虽然产品层面还有争议，但它让所有人意识到”一个能自主干活的东西是可能的”。紧接着，OpenClaw、Claude Code 这些工程化做得很不错的工具开始冒出来——它们在具体场景里，已经能做到让一个开发者把大量事务性开发工作外包出去。

这一轮的关键不是 LLM 变聪明了，而是 Harness 层在快速补课。如何给 Agent 更好的工具调用接口？如何在长上下文中保持任务的连贯性？如何把复杂的 SOP 拆成可管理的小步执行？这些都是纯工程问题，不依赖 AGI 突破，但它们的组合效果，已经足够让 Agent 在很多场景下做到”够用”。

在这个基础上，我有一个更远的判断：当大量的人从事务性工作中被解放出来，把精力集中在决策性工作上时，这本身就会反哺大模型的本质提升。今天做基础模型研究的人，有多少时间花在开会、写文档、处理数据上？如果这些事能全部被 Agent 接管，他们聚焦到模型架构、训练策略、数据配比这些高价值问题上，突破的速度一定会加快。

未来大概率会有更 efficient 的架构，会大幅减少对算力和能源的消耗。但我想说的是——即使技术栈就停留在今天，不发生任何本质突破，Agent 也已经成为基础设施级别的东西了。它会像电、像网络、像云计算一样，无声无息地渗透到生活的每一个方面。你甚至不需要感知到它，它就在那里，替你干着你不想干的活。

有人说 Agent 是下一个平台级机会，我觉得说小了。Agent 是下一个操作系统——它坐在所有应用之上，替人完成操作。

五、缺的不是代码，是想法

最近我越来越习惯这样的思维模式——”这个任务应该可以让 AI 帮我做，但是我需要给它什么原始素材以及如何设计工作流呢？” —— 然后花一点时间把它搭出来。接下来只要有类似的任务，我就像有了一个虚拟的实习生，安静地替我把一件重复的事情做掉。

我也越来越意识到：这件事的瓶颈，不在技术。瓶颈是大多数人还没想清楚”我想让 AI 替我做什么”。

举几个案例：

• 知识库整理的 Karpathy 学习法：读了很多文章，刷了很多视频，但都是散的。让 Agent 帮忙把这些碎片自动归类、去重、串联，生成一个私人知识图谱。你只管输入，整理的事情交给它。

• 自动写 Slides：给 Agent 提供原始数据和工程文档，描述这次汇报的主要思路和想表达的要点，让Agent 去讲好这个 story , 绘制辅助观点的数据图表。AI 可以生成 Html 格式的 slides，比 PPT 更加美观和有交互性。

• 自动整理邮件：每天早上收一份 Agent 生成的摘要，标注每封邮件的优先级和是否需要回复。大部分不需要动脑的邮件，Agent 甚至可以在草稿箱内写好回复等待你确认发送。

• 自动做单元测试：Agent 读你的代码，理解逻辑，生成测试用例，跑通，发现失败再自己修。你只需要在 Review 的时候看一眼。

这些东西，现在就能做。缺的不是造轮子的能力，缺的是定义轮子应该长什么样的想象力。缺的不是写 Prompt 的技巧，缺的是愿不愿意坐下来花十分钟想清楚——”我到底在重复做什么？”

六、回到自己

所以，回到开篇那两拨人。

你可以继续把 AI 当新闻看。这没有任何问题。大多数人的工作目前还不会被立刻替代——不是因为 AI 不能，而是因为组织惯性和人性阻力比技术革新慢得多。你有时间，但不意味着你可以永远装作看不见。

你也可以选择 FOMO——每天焦虑地追着每一个新名词跑。但我也不建议。FOMO 消耗的是你的注意力，而注意力是你最重要的生产资料。

我想说的是第三种态度：把 AI 当成一种品质来培养。关键不是学习某个具体的工具，而是养成一种习惯——每当你要重复做一件事的时候，习惯性地问自己一句：”这件事，Agent 能替我做了吗？你不需要比所有人都强，你只需要比昨天的自己少做一件重复的事。

最后，用一句话收尾吧：

目前的 Agent 不会淘汰人。但会用 Agent 的人，会淘汰不会用的人。而会用 Agent 的人，从来都是那些本来就主动寻找更好方法的人——他们只是换了一个工具箱。