夜雨聆风从 ChatGPT 到 Agent，普通人真正要学的不是提示词，而是怎样委派一项工作。
2026 年，一项覆盖美国、英国、德国和澳大利亚近 6000 名企业高管的调查，得到了一组看起来互相矛盾的数据：
69% 的公司已经在使用 AI，但约九成高管表示，过去三年没有观察到 AI 给本公司的生产率或就业带来明显变化。[1]
AI 一边在新闻里写代码、做研究、操作电脑，一边又没有让大多数公司明显变快。
问题出在哪里？
我更愿意把问题归在使用方法上：我们已经拥有了新一代 AI，却还在沿用上一代 AI 的使用方法。
很多人把它当成更方便的搜索框：问一个问题，拿走一段回答。公司给员工开通账号，办几场提示词培训，就算“用上 AI”。
但过去几年，AI 真正重要的变化，是它的工作单位变了。
过去，AI 生成一次回答。现在，Agent 开始接手一项任务。
Agent 不是 2025 年突然发明的
“智能体”并不是大模型公司创造的新词。
早在 1995 年，计算机科学家 Michael Wooldridge 和 Nicholas Jennings 就发表过关于智能体理论与实践的综述；同年，第一届国际多智能体系统会议在旧金山举行。[2]
那时的研究者已经在讨论：一个软件怎样感知环境，做出决定，再采取行动。
问题是，早期系统工作的世界很窄。开发者需要事先规定它能看到什么、有哪些状态、遇到什么情况执行哪条规则。环境一变，规则就可能失效。
所以，今天的 Agent 既新又旧。
“感知—决策—行动”的想法已经存在几十年。改变局面的，是大语言模型逐渐成为了一种通用的目标理解器。
2017 年，Transformer 改变了机器处理语言上下文的方式。2020 年，GPT-3 展示了大模型仅凭指令和少量例子完成多种语言任务的能力。2022 年，ChatGPT 又把这种能力装进了一个人人会用的对话框。
但从“会聊天”走到“会办事”，中间还有一座容易被忽略的桥。
2022 年 10 月，ReAct 论文提出让语言模型交替进行推理、行动和观察：它先判断下一步该做什么，调用外部工具，读取结果，再根据新情况调整计划。[2]
2023 年的 Toolformer 又向前一步：模型可以学习什么时候调用工具、调用哪个 API、传入什么参数，以及怎样使用返回的信息。[2]
后来出现的联网搜索、代码执行、文件处理、长上下文、多模态和电脑操作，并不是一堆互不相关的新功能。它们一起补齐了 Agent 所需的几个部件：理解目标、制定计划、使用工具、观察结果、继续行动。
2025 年以后，这套研究路径开始集中进入大众产品。
于是，人和计算机之间的关系发生了一个很小、却很根本的变化：
过去，我们告诉软件每一步该做什么；现在，我们开始告诉 Agent 最后要完成什么。
从“一次回答”到“一项委派”
普通聊天 AI 的基本单位是一轮问答。
你问：“带孩子去成都，有哪些景点？”它给你一份名单。
你还要继续查天气、核对开放时间、比较酒店、估算路程，再把结果复制进表格。
Agent 的基本单位是一项委派。
你可以直接给它目标：一家三口去成都 5 天，孩子 8 岁；每天最多两个主要景点；预算多少；最后交付行程表、费用表和预订清单；只做研究，不要付款。
它会自己拆解任务，搜索信息，读取网页，整理数据，发现缺项后继续查找，最后交出一份成品。
OpenAI 在 2026 年的一份使用研究中，把这种变化概括为：知识工作的单位正在从单次互动，转向长时间、可委派的任务。[3]
这比“AI 更聪明了”更接近 Agent 的意义。
模型能力当然重要。但对普通人来说，更直接的变化是：你不必始终坐在对话框前，把一件工作手工拆成二十个问题。
它已经能干活，但还不是一个数字员工
科技公司喜欢把 Agent 称为“数字员工”或“超级员工”。这个比喻很容易传播，也很容易让人误判。
NeurIPS 2025 收录的一项研究构建了一家模拟软件公司，让 Agent 像普通员工一样浏览网页、写代码、运行程序、使用内部系统并与同事沟通。最强的参测 Agent，只能自主完成约 30% 的任务。简单任务已经可以自动完成，困难的长任务仍然经常失败。[3]
METR 研究团队使用“人类专家完成同一任务要花多久”衡量 Agent 的能力。他们的长期测量说明，Agent 能处理的任务正在快速变长；但任务越长，成功率仍然越低，超过 16 小时的测量目前甚至不足以可靠估计。[3]
Agent 的演示总是很惊艳，实际使用却没有那么整齐。
一次回答错了，人可以马上重问。一个 Agent 如果在第 3 步理解错目标，可能会带着这个错误继续做十几步，最后交出一份结构完整、方向却错了的成果。
Gartner 把大量只是给聊天机器人换名字、并没有真正行动能力的产品称为“agent washing”，并预计超过 40% 的企业 Agent 项目会在 2027 年底前取消，原因包括成本过高、价值不清和风险控制不足。需要说明，这是预测，不是已经发生的失败率。[3]
所以，我们既不能把 Agent 当成换皮聊天框，也不应把它当成可以独立负责的员工。
Agent 开始具备持续执行一段工作的能力，但它仍需要一个能定义目标、识别偏差并承担责任的人。
人的价值，不只是“更有创造力”
谈到 AI 与人的分工，很多文章最后都会说，人类应该保留创造力、同理心和战略思考。
这些词没有错，但太空了。
一个做了十几年编辑的人看到标题，会立刻感觉它“像广告”；一个有经验的销售看完方案，会察觉客户不会买单；一个经常带孩子旅行的家长，一眼就知道一天跑四个景点不现实。
他们未必能在第一时间把判断依据逐条列出来，却能识别结果是否对劲。
Michael Polanyi 用一句很短的话描述过这种现象：
We can know more than we can tell.[4]
我们知道的，比能完整说出来的更多。
这句话经常被误解为“经验无法传授”。Polanyi 更深的意思是，人的判断依赖许多被整合在一起的线索。我们关注的是整体结果，支撑判断的细节却常常退到了意识背景中。
就像熟练使用锤子时，人关注的是钉子有没有打正，而不是手掌每一处压力。
也因此，Agent 可能比传统自动化更适合普通人。
传统自动化要求你预先写出每一条规则。Agent 允许你先给目标、材料和样例，让它做出一个具体结果；你再指出哪里不对，它重新调整。人的经验不是一次性翻译成完整规则，而是在一次次判断和纠正中进入工作过程。
Agent 没有复制你的全部经验。它搭起了一个工作台，让那些难以预先说清的判断，可以落在具体结果上。
它也改变了人的注意力。
搜索、复制、排版、转换格式、操作软件，这些动作可以逐渐退到背景；人把注意力移到更重要的问题：我们到底想完成什么，哪个取舍更合适，什么结果才算真正完成。
但小白最危险的地方，也在这里
如果你对一件事完全不懂，你就很难发现 Agent 做错了什么。
哈佛商学院与 BCG 的实验发现，在 AI 能力范围内，使用 GPT-4 的顾问完成任务快约 25%，成果质量提高超过 40%；但在一道超出 AI 能力边界的复杂任务中，使用 AI 的参与者得到正确答案的概率反而下降了约 19%。[4]
AI 可以帮助新手快速接近熟练者，却也可能让新手更有信心地接受错误结果。
所以，我需要修正一句常见的建议：
不是“没用过 AI 的人应该直接把工作交给 Agent”，而是“应该把一件自己熟悉的工作交给 Agent”。
这两个说法只差几个字，风险完全不同。
熟悉，意味着你知道哪些材料可信，能看出结果有没有漏项，也知道什么地方必须由自己决定。
第一次使用 Agent，不要让它替你选股票、做医学判断，或者管理重要账号。
让它整理你参加过的会议，比较你了解的产品，把已有材料制作成演示稿，或者为一条你走过的旅行路线重新做方案。
你需要亲自体验的，不是 AI 有多神奇，而是自己能否把一项工作从头到尾委派出去。
中国的 Agent，已经走到哪一步了
截至 2026 年 8 月，国内 Agent 大致形成了三条路线：Kimi、千问等面向普通人的“办事型助手”，开始把研究、文档和生活服务连起来；Kimi Work、腾讯 WorkBuddy 等本地工作 Agent，可以在授权后处理电脑文件；阿里云百炼、WorkBuddy Enterprise 等企业平台，则把 Agent 接入知识库、业务系统和审批流程。[5]
中国 Agent 的优势不只在模型，而在于中文语境、本地服务、办公软件和超级应用之间的连接。但连接得越深，权限和责任问题也越突出。国家网信部门已经把安全、可靠、可信以及用户的最终决策权列为应用底线。[6]
因此，国内 Agent 已经从“能不能行动”，走到“怎样在真实环境里安全行动”；但距离不受监督的“数字员工”，仍然很远。
如果今天第一次使用 Agent
我不会给所有人推荐同一个产品，而会按任务来选。
如果你的需求是查资料、读文件并制作报告或演示稿，可以先从 Kimi Agent 这类通用产品开始；需要处理本地文件时，再尝试 Kimi Work 或腾讯 WorkBuddy，并从文件副本和最小权限开始。
企业用户则不应把消费级 Agent 直接接入核心业务。更合理的起点，是选择一个边界清楚、出错可撤回的流程，再配上知识库、权限控制、日志和人工审批。
产品会很快变化，不必长期纠结排行榜。第一次选择时，看五件事就够了：能否稳定访问，能否联网和读取文件，过程是否可查看，危险动作是否先询问，结果能否导出。
然后，用下面这套结构交代任务：
目标：最后要解决什么问题。
材料：允许使用哪些文件、网页和背景信息。
成品：最后交付文档、表格、演示稿还是清单。
边界：哪些动作不能做，哪些地方必须先问你。
标准：你准备用什么判断结果是否合格。
权限则按顺序逐步开放：先让它阅读和研究，再生成草稿；确认可靠后，才允许它修改文件或操作工具。付款、发送、公开发布和删除，继续保留人工确认。
今天的 Agent 还不值得盲目信任，但已经值得认真学习。
这种学习不是背下一百条提示词，也不是追着每一个新模型跑。
它更像学习怎样带一个新同事：目标要说清，材料要给够，过程能检查，错误要纠正，责任不能交出去。
近几年，计算机开始从执行明确指令，走向理解人给出的目标。
普通人的位置也随之改变：我们不再需要亲手完成每一个步骤，但必须更清楚自己要去哪里，以及什么结果值得接受。
这就是为什么，现在可以从 Agent 开始。
也正因为如此，我们不能把判断权一起交给它。
想把 AI 真正用起来？
如果你不想只停留在“会聊天”，欢迎加入 Starfox AI 学习社区。
这里会持续拆解 AI 工具、Agent、自动化和真实项目，把复杂概念变成可以跟着完成的实践。
访问：https://study.starfoxai.cc
你最想先把哪一件熟悉的工作交给 Agent？欢迎在留言区告诉我。
主要资料
[1] NBER：Firm Data on AI（2026）
[2] Agent 发展脉络：Intelligent Agents（1995）、ReAct（2022）、Toolformer（2023）
[3] Agent 的使用与能力边界：OpenAI 使用研究、TheAgentCompany、METR、Gartner 预测
[4] 人与 AI 的判断边界：BCG 实验、Michael Polanyi The Tacit Dimension
[5] 中国 Agent 产品：Kimi、Kimi Work、千问、腾讯 WorkBuddy、阿里云百炼
[6] 国家互联网信息办公室：智能体规范应用与创新发展实施意见