2026年AI Agent加速落地：三大核心能力成职场刚需_服务软件

1. 如果你现在还没用Agent帮自己干活，那其实很危险

2. 2025年被科技界提及最多的词—Agent！大家都把它视为下一个风口。那究竟什么是Agent？Agent到底能做些什么？这期视频，带大家看看理想同学Agent又能带给我们的生活哪些改变？ #理想i8# 骆智慧的微博视频抽奖详情

3. MCP 协议忽视了 40 年来的 RPC 最佳实践，最终将让企业付出代价

4. 【鸿蒙AI】3句话让鸿蒙电脑写了20000字研究报告？

5. Agent store 平台 MuleRun (骡子快跑)海外走红，如何使用？有哪些信息值得关注？

6. AI时代，最不值钱的，就是重复劳动；最值钱的，是你得熟练指挥智能体。#大咖观察 #红衣聊AI #硅谷 #智能体 #AI应用

7. 唐杰是清华大学教授、智谱（GLM 系列模型出自他们家）AI 首席科学家，也是国内最懂大模型的人之一。他刚发了长微博（网页链接），谈 2025 年对大模型的感悟。有意思的是，唐杰和 Andrej Karpathy 的观察（ 2025 年 LLM 年度回顾网页链接）有不少共鸣，但也有一些不同的侧重点。两个顶级专家的视角放在一起看，能看出更完整的图景。内容比较长，但有句话我要特别放在前面高亮一下：> AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键如果你是在做 AI 应用开发，应该反复思考一下这句话：AI 应用的第一性原理不是创造新产品，而是替代人类工作。想清楚这一点，很多事情的优先级就清楚了。唐杰的核心观点有七层逻辑。---第一层：预训练没死，只是不再是唯一主角预训练仍然是让模型掌握世界知识和基础推理能力的根基。更多的数据、更大的参数、更饱和的计算，依然是提升模型智商最高效的办法。这就像还在长身体的孩子，饭量（算力）和营养（数据）必须管够，这是物理规律，没法绕弯。但光有智商不行，现在的模型有个毛病：容易“偏科”。为了刷榜单（Benchmark），很多模型都在针对性地做题，导致在真实复杂的场景下反而不好用。这好比孩子上完九年义务教育（预训练）后，必须把他扔到真实的职场里去实习，去处理那些书本上没有的烂摊子，这才是真本事。所以接下来的重点是“中后训练”（Mid and Post training）。中后训练这两个阶段负责「激活」模型的能力，尤其是长尾场景的对齐能力。什么是长尾场景？就是那些不常见但真实存在的需求。比如帮律师整理某类特殊合同、帮医生分析某种罕见病的影像。这些场景在通用测试集里占比很小，但在真实应用中至关重要。通用 benchmark 一方面评测了模型效果，但也可能让很多模型过拟合。这和 Karpathy 说的「训练在测试集上是一门新艺术」观点一致。大家都在刷榜，但榜单刷了高分不等于能解决真实问题。---第二层：Agent 是从「学生」到「打工人」的跨越唐杰用了个形象的比喻：> 如果没有 Agent 能力，大模型就是个“理论博士”。一个人书读得再多，读到了博士后，如果不能动手解决问题，那也只是知识的容器，产生不了生产力。这个比喻精准。预训练是上课，强化学习是刷题，但这些都还在「学习阶段」。Agent 是让模型真正「干活」的关键，是进入真实世界、产生实际价值的门槛。不同 Agent 环境的泛化和迁移并不容易。你在一个代码环境里训出来的能力，换到浏览器环境就不一定好使。现在最简单的办法，还是不断堆更多环境的数据，针对不同环境做强化学习。以前我们做 Agent，是给模型外挂各种工具。现在的趋势是，直接把使用工具的数据写进模型的“DNA”里去训练。这听起来有点笨，但确实是当下最有效的路径。Karpathy 也把 Agent 列为今年最重要的变化之一，他以 Claude Code 为例，强调 Agent 要能「住在你电脑里」，调用工具、循环执行、解决复杂问题。---第三层：记忆是刚需，但怎么做还没想清楚唐杰花了不少篇幅讲记忆。他认为，模型要在真实环境中落地，记忆能力是必须的。他把人类记忆分成四层：- 短期记忆，对应前额叶- 中期记忆，对应海马体- 长期记忆，分布在大脑皮层- 人类历史记忆，对应维基百科和史书AI 也要模仿这个机制，大模型对应的可能是：- Context 窗口 → 短期记忆- RAG 检索 → 中期记忆- 模型参数 → 长期记忆一个思路是「压缩记忆」，把重要信息精简后存在 context 里。目前的“超长上下文”只是解决了短期记忆，相当于把它能用的“便签纸”变长了。如果未来 context 窗口足够长，短中长期记忆都有可能实现。但有个更难的问题：怎么更新模型自身的知识？怎么改参数？这还是个未解难题。---第四层：在线学习和自我评估，可能是下一个 Scaling 范式这一段是唐杰观点里最前瞻的部分。现在的模型是“离线”的，训练好就不变了。这有几个问题：模型不能真正自我迭代，重新训练浪费资源，还会丢掉很多交互数据。理想情况是什么？模型能在线学习，边用边学，越用越聪明。但要实现这一点，有个前置条件：模型要知道自己对不对。这就是「自我评估」。如果模型能判断自己的输出质量，哪怕是概率性地判断，它就知道了优化目标，就能自我改进。唐杰认为，构建模型的自我评价机制是个难题，但也可能是下一个 scaling 范式的方向。他用了几个词：continual learning、real time learning、online learning。这和 Karpathy 提到的 RLVR 有一定呼应。RLVR 之所以有效，正是因为有「可验证的奖励」，模型能知道自己对不对。如果这个机制能泛化到更多场景，在线学习就有可能实现。---第五层：AI 应用的第一性原理是「替代工种」这是对我启发最大的一句话：> AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键AI 的本质不是创造新的 App，而是替代人类工作。两条路：1. 把以前需要人参与的软件 AI 化。2. 创造对齐人类某个工种的 AI 软件，直接替代人类工作。Chat 已经部分替代了搜索，同时还融合了情感交互，下一步就是替代客服、替代初级程序员、替代数据分析师。所以，明年 2026 年的爆发点在于“AI 替代不同工种”。创业者要思考的不是“我要开发个什么软件给用户用”，而是“我要造一个什么样的 AI 员工，去帮老板把某个岗位的人力成本砍掉”。换句话说，别老想着做一个「AI+X」的新产品，先想想哪些人类工作可以被替代，再倒推产品形态。这和 Karpathy 关于「Cursor for X」的观察遥相呼应。Cursor 本质上是「程序员这个工种的 AI 化」，那么各行各业都会出现类似的东西。---第六层：领域大模型是个「伪命题」这个观点可能会让一些人不舒服，但唐杰说得很直接：领域大模型就是个伪命题。都 AGI 了，哪有什么“领域专用（domain-specific）AGI”？之所以有领域大模型存在，是因为应用企业不愿意在 AI 模型公司面前认输，希望用领域 know-how 构建护城河，把 AI 驯化为工具。但 AI 的本质是「海啸」，走到哪里都会把一切卷进去。一定会有领域公司主动走出护城河，被卷进 AGI 的世界。领域的数据、流程、Agent 数据，慢慢都会进入主模型。当然 AGI 还没实现之前，领域模型会长时间存在。但这个时间窗口有多长？不好说，AI 发展实在太快了。---第七层：多模态和具身智能，前景光明但道路艰难多模态肯定是未来。但当下的问题是：它对提升 AGI 的智能上限帮助有限。文本、多模态、多模态生成，可能还是分开发展更高效。当然，探索三者结合需要勇气和钱。具身智能（机器人）更难。难点和 Agent 一样：通用性。你教会机器人在 A 场景干活，换个场景又不行了。怎么办？采数据、合成数据，都不容易，还贵。怎么办？采数据，或者合成数据。都不容易，都贵。但反过来，一旦数据规模上去了，通用能力出来了，自然就形成门槛。还有个问题往往被忽略：机器人本身也是个问题。不稳定、故障频繁，这些硬件问题也在限制具身智能的发展。唐杰预判 2026 年这些都将取得长足进步。---把唐杰这篇文章串起来，其实是一张相当清晰的路线图：当下，预训练 scaling 依然有效，但要更重视对齐和长尾能力。近期，Agent 是关键突破口，让模型从"会说"进化到"会做"。中期，记忆系统和在线学习是必修课，模型要学会自我评估和迭代。长期，工种替代是应用的本质，领域护城河会被 AGI 冲垮。远景，多模态和具身各自发展，等待技术和数据的成熟。---把唐杰和 Karpathy 的观点放在一起看，能看出几个共识：第一，2025 年的核心变化是训练范式的升级，从「预训练为主」变成「多阶段协同」。第二，Agent 是里程碑，是模型从学习走向干活的关键跨越。第三，benchmark 刷分和真实能力之间有鸿沟，这个问题越来越被重视。第四，AI 应用的本质是替代或增强人类工种，不是为了做 App 而做 App。不同的侧重点也有意思。Karpathy 更关注「AI 是什么形状的智能」这个哲学问题，唐杰更关注「怎么让模型在真实场景落地」的工程问题。一个偏「理解」，一个偏「实现」。两个视角都需要。理解清楚了，才知道方向对不对；工程跟上了，才能把想法变成现实。2026 年，会很精彩。

8. 英伟达研究：Agent时代，就是小模型时代

9. 豆包大模型 1.8 发布，通用 Agent 模型成为了 AI 行业的新叙事

10. Agent Skill 相关资料、笔记和思考

11. #豆包手机#豆包手机的 Agent 概念最近被讨论得很热，但行业共识其实很明确：终端 AI 最关键的不是定义，而是落地。当下，荣耀在这方面走得非常靠前。MagicOS 的泛化执行能力覆盖 3000+ 场景，不是单点能力，而是系统级 AI。Magic8 的 YOYO 一句话比价、一句话打车，跨 App 自动执行，让“AI 帮你办事”成为现实体验。概念可以热，体验必须真。AI时代已经来临，AI Agent的未来方向还会走向哪里？

12. 老黄站在 CES 2026 的舞台上，身后的屏幕突然黑了。“所有系统都挂了，”他笑着说，“这在圣克拉拉从来不会发生。是因为拉斯维加斯吗？外面是不是有人中了头奖？”这个小插曲倒是个不错的隐喻：2025 年的 AI 行业，就像一台马力全开但偶尔冒烟的机器。所有人都在全速狂奔，所有系统都在满负荷运转。老黄在 CES 上说，每隔十来年，计算行业就要来一次大洗牌。从大型机到 PC，从 PC 到互联网，从互联网到云，从云到移动端。这一次不太一样，地震是双重的。不仅应用要建在 AI 之上，连我们写软件的方式本身都变了。“我们不再编程软件，我们训练软件。不再跑在 CPU 上，而是 GPU 上。”过去的应用是预编译好的，装在你设备上就那样了。现在呢？应用理解你的上下文，每次从零开始，实时生成每个像素、每个 token。这意味着过去十年砸下去的十万亿美元计算基础设施，都要升级换代。老黄算了一笔账：全球百万亿美元产值的产业，研发预算正在从传统方法向 AI 方法迁移。风投每年两千亿美元涌入这个领域。这就是为什么大家都这么忙。【1】2025，大模型的三个拐点老黄回顾了 2025 年 AI 领域的几个关键进展。第一个是推理模型的出现。2024 年底 OpenAI 发布 o1，第一次让 AI 学会了“思考”。以前的模型是一口气给你答案，对就对，错就错。现在的推理模型会停下来想一想，把问题拆开，一步步推演。想得越久，答案往往越靠谱。老黄管这叫“test-time scaling”，也就是用更多的推理时间换更高的回答质量。第二个是 Agentic 系统的爆发。AI 不再只是回答问题，而是开始“做事”了。它会自己规划步骤，调用工具，查资料，写代码，甚至操控其他 AI。2025 年，这类系统从实验室走向了真实应用。第三个是开源模型的崛起。DeepSeek R1 的发布像一颗炸弹，证明了开源模型也能达到前沿水平。虽然还落后闭源模型大约六个月，但下载量已经爆炸式增长。创业公司、研究者、学生、甚至各国政府，都开始用开源模型构建自己的 AI 能力。这三个突破并非孤立存在。推理能力让 Agent 更聪明，开源模型让 Agent 更容易构建。它们相互催化，共同把 AI 推向了一个新阶段。【2】Agentic AI：从“能聊天”到“能干活”三个突破里，Agentic AI 可能是离普通人最近、又最容易被误解的一个。先说一个直观的例子。老黄提到，英伟达内部现在大量使用 Cursor 编程工具。这不是普通的代码补全，而是一个真正的 AI Agent，你告诉它想实现什么功能，它会自己规划怎么写，查阅文档，生成代码，测试，修 bug，甚至重构。程序员的角色从“写代码的人”变成了“审代码的人”。这就是 Agentic AI 的本质：AI 从被动回答问题，变成主动完成任务。ChatGPT 刚出来的时候，最大的槽点是“幻觉”，它会一本正经地胡说八道。因为它只能依赖训练时学到的知识，没法获取新信息，但它又被要求有问必答，所以不得不胡编乱造。你问它今天的天气，它只能编一个。Agentic 系统解决这个问题的方式很简单：让 AI 学会“查资料”自己补充上下文。遇到不确定的问题，它会先判断“我需不需要去查一下”，然后真的去搜索、去阅读、去核实。这个判断本身就需要推理能力，所以第一个突破（推理模型）是第二个突破（Agentic 系统）的基础。但 Agentic AI 的能力远不止于此。【3】Agent 的四种超能力老黄在演讲中描绘了一个完整的 Agent 能力图谱。我把它总结为四种超能力：第一，会推理。遇到从没见过的问题，Agent 不会直接说“我不会”。它会把陌生问题拆解成一堆熟悉的小问题，然后逐个击破。就像一个聪明的实习生，虽然没做过这个项目，但能把它分解成自己会的步骤。第二，会用工具。Agent 可以调用搜索引擎、计算器、代码解释器、数据库，甚至其他 AI 模型。它知道什么时候该用什么工具，就像一个老练的工匠，手边有一整套工具，可以随手选最趁手的那个。第三，会规划。面对复杂任务，Agent 会先想好怎么做，制定计划，预判可能的结果，然后一步步执行。不是闷头往前冲，而是“三思而后行”。第四，会协作。这是老黄特别强调的一点：现代 Agent 系统往往是多个模型并存的。一个 Agent 可能同时调用好几个 AI：用专门的模型处理图片，用另一个模型写代码，用第三个模型做总结。就像一个项目经理，知道每个专家擅长什么，然后把任务分配给最合适的人。他特别提到 Perplexity 的做法让他眼前一亮：“第一次看到他们同时用多个模型，我觉得这太天才了。”道理很简单：一个 AI 当然应该在推理链的任何环节调用最适合那个任务的模型。所以未来的 AI 应用是什么样的？多模态（理解语音、图像、文字、视频、3D）、多模型（不同任务用不同模型）、多云（模型分布在各个云上）、混合云（有些在边缘、有些在企业、有些在云端）。【4】一个 Agent 是怎么工作的？NVIDIA 为此搞了一套叫“Blueprint”的框架。演讲中展示了一个演示：一个小哥用 DGX Spark 搭了个个人助手，能管邮件、日历、待办事项，还能控制一个小机器人。隐私敏感的邮件任务用本地模型，其他用 frontier 模型，中间用一个意图路由器自动分配。听起来像科幻片，但搭建过程出奇简单。首先，接入一个前沿大模型的 API 作为“大脑”。然后，为每个功能创建一个“工具”：邮件工具、日历工具、摄像头工具。接着，因为邮件涉及隐私，开发者加了一个本地运行的开源模型专门处理邮件，数据不出本机。最后，加一个“智能路由器”，根据用户的意图自动决定用哪个模型处理。结果呢？用户说“帮我给 Jensen 发个邮件，告诉他脚本今天能交”，Agent 就自己完成了。用户说“把这张草图变成建筑渲染图，再做个视频带我看看房间”，Agent 也搞定了。甚至当用户的朋友远程接入，问“我的猫 Potato 在干嘛”，Agent 能看摄像头、认出猫、发现它在沙发上、还记得朋友不喜欢猫上沙发、然后通过机器人喊话让猫下去。老黄说，这一切在两年前是“完全不可想象的”。而现在，“这已经变得微不足道了”。Agentic AI 的概念其实不新。早在 2023 年，AutoGPT 就火过一阵，号称能让 GPT 自己给自己下指令、自动完成任务。但那时候的 Agent 更像是玩具，经常跑偏、容易卡死、实用性有限。2025 年的爆发，靠的是几个条件同时成熟：1. 推理能力的突破。没有可靠的推理，Agent 就像一个冲动的实习生，一拍脑袋就开干，经常把事情搞砸。有了推理，Agent 才能“想清楚再做”。2. 工具生态的完善。各种 API、各种开源模型、各种开发框架，让 Agent 能调用的“武器库”越来越丰富。3. 多模型架构的成熟。以前大家想的是“训练一个无所不能的大模型”。现在的思路是“让一个聪明的模型学会调用专业的模型”。这大大降低了构建复杂 Agent 的门槛。4. 开源社区的推动。老黄反复强调，开源模型让“每个公司、每个行业、每个国家”都能参与 AI 革命。你不用自己训练前沿模型，拿开源的来用就行。【5】Agent 会取代软件吗？包括我在内很多人都思考一个问题：未来 Agent 会取代软件吗？交互形式是什么样的？老黄在演讲中给出的答案是：Agent 不只是一种新应用，而是未来软件的新形态。他说，以后你跟 Palantir、ServiceNow、Snowflake 这些企业软件打交道，界面可能不再是一堆表格和按钮。你直接跟一个 Agent 对话，告诉它你想干什么，它就帮你搞定。“就像跟人打交道一样简单。”传统软件的交互方式：填表单、点按钮、写 SQL，本质上是在“迁就机器”。你得学会机器的语言才能让它干活。而 Agent 的交互方式是“机器迁就你”。你用自然语言说需求，Agent 自己翻译成机器能懂的操作。当然，这不会一夜之间发生。企业软件涉及太多复杂的权限、流程、合规要求，不是换个界面就能解决的。但方向已经很清楚了。【6】写在最后老黄这场演讲其实还讲了物理 AI、自动驾驶、机器人、下一代芯片 Vera Rubin，我对那些关注不多就不总结了。但如果只看 AI 大模型这块，核心信息其实就一个：> AI 正在从“一个聪明的对话伙伴”变成“一个能调动资源、完成任务的系统”。推理模型给了它思考能力，Agentic 架构给了它手脚和工具箱，开放模型让所有人都能参与这场游戏。我个人比较关注老黄在演讲中提到的 Agentic 系统将成为所有软件平台的新界面。以前你和软件交互，要点菜单、填表格、写命令行。以后你和软件交互，就像和一个懂行的同事说话。你说想干什么，它帮你干。未来的企业软件，入口可能就是一个对话框。对于开发者来说，这是一个窗口期。开源模型已经足够强，Agentic 框架已经成熟，基础设施已经就位。剩下的就是应用层的创新。老黄在谈到开放模型时问了一个问题：数字形式的智能，怎么可能把任何人落下？Agentic AI 的爆发，不是每个人都能训练出最强的模型，但每个人都可以学会编排这些模型，让它们为自己干活。这可能是最重要的变化。AI 不再只是科技巨头的游戏，它正在变成每个人都能用的工具。

13. 谷歌DeepMind掌门人，诺奖得主哈萨比斯1月信息量最大的访谈 #ai #AGI #谷歌 #哈萨比斯 #agent

14. 探访云栖（二）：AI Agent元年，谁在打造“数字员工”？【101 Weekly】

15. MiniMax Agent 开年更新，好的 AI 产品，需要让工具来适应人了

16. 起底价值百万的顶级内参，2026年，普通人如何改命 #ai #职场 #面试

17. 云栖来了：开启AI Agent时刻｜甲子视频

18. Agent的割裂时代，呼唤“统一大脑”

19. 开发Agent只懂拖拉拽？你真的能跟上生产级开发的节奏了吗？

20. Agent Infra到底是什么？【AI基建】

21. 华为乾崑 All in 启境，让“奔跑的AI智能体”走进日常生活，引领未来出行进入主动智能时代 #启境 #华为乾崑 #奔跑的AI智能体

22. 你还在用旧思维与AI打交道吗？ #大咖观察 #红衣聊AI #AI时代 #智能体 #大模型

23. 2800就能买到3D扫描仪？适用分类解析及选购指南 #3D扫描仪 #选购指南 #知象光电 #revopoint #双十一

24. 【内附资料】怎么身边的人都靠AI整上副业了？到底如何用AI接单？|AI变现|AI做设计|AI短视频|AI副业

25. 【油管高赞】AI时代带来的教育变革是什么

26. 千问发布2025十大AI提示词，股票意外排名第一，普通人如何用AI做好投资？

27. 从失败中重生：一个 AI Agent 前端落地的真实复盘同步发布于博客：网页链接今天在 FEDay 上分享了一个 Agent 前端落地案例，核心内容是讲述了我参与的一个团队如何从"技术成功"走向"产品失败"，又如何在复盘中获得认知升级。这个故事的价值不在于成功的方法论，而在于那些踩过的坑和思维转变的过程。2025 年被称为 Agent 元年。Deep Research、Manus、Claude Code 相继发布，技术圈一片沸腾。很多团队都在问同一个问题：我们要不要做 Agent？在开始之前，我还是想讲一下我对 AI Agent 的定义：AI Agent（AI 智能体），是为了实现某个目标，循环调用工具的大语言模型。- 工具循环（tools in a loop）：模型调用工具 → 获取结果 → 继续推理- 有明确终点：为了达成目标，而不是无限循环- 目标来源灵活：可以来自用户，也可以来自另一个 LLM- 基础记忆能力：通过对话历史保存上下文信息朋友负责的团队面临的是一个真实的企业痛点：公司有完整的内部设计系统（Design System）和私有前端框架，但这些代码从未被 AI 训练过，通用模型根本无法直接生成符合规范的代码。目标看起来很清晰——做一个类似 Lovable 的工具，但用的是自己的 Design System。用户上传 Figma 设计稿或截图，Agent 自动生成符合内部规范的前端代码。听起来很美好，对吧？但挑战也很现实：- 要完整搭建一个 Agent 系统没想的那么容易，不仅要和模型交互，还要处理好用户交互，还有上下文工程- 要让模型理解和使用从未训练过的私有组件- 要在浏览器中实时预览生成结果- 出错了希望能自动修复由于团队之前没有开发过 Agent 相关产品，所以请我参与其中，提供技术咨询和方案建议。我第一个建议很现实：先跑通再优化—— 构建 Agent 最难的不是技术，而是完整跑通流程。我推荐他们基于 Claude Agent SDK 进行二次开发，而不是从零造轮子。一些关键理由包括：1. Claude Code 已经验证了它是可行的2. 开箱即用，内置工具足够满足绝大数场景3. 可以自定义工具、接入 MCP、自定义 Skill4. 可以接入国产兼容模型还帮着基于 Claude Agent SDK 快速搭建了一个原型系统。一些关键代码还开源在这里：网页链接这样很快有了个基本可用的 Agent。接下来就是解决代码的浏览器预览问题。一开始我们尝试用 Sandpack（浏览器端沙盒）做代码预览，结果发现复杂组件根本跑不起来，而且无法发挥 Agent 读写文件的能力。转向方案是给 Agent 一个本地文件系统——每个会话一个独立环境（虚拟机或目录），Agent 可以自由读取、修改、编译代码。这个决策让 Agent 的能力得到了最大化发挥。给 Agent 一个本地文件系统才能最大化的发挥 Agent 能力给 Agent 一个本地文件系统才能最大化的发挥 Agent 能力另一个难题就是如何让 AI 学会使用从未训练过的私有组件？其实就是把 Agent 当作新员工，用高质量文档和参考代码来教会它。我们把设计系统说明、组件列表、API 文档全部 Markdown 化，让 Agent 按需检索。高质量的参考代码本身就是最好的教材。而且完全不需要复杂的 RAG 系统，直接让 Agent 去基于文件检索搜索本地文档和代码就足够了。还有一个难题就是如何保证生成代码的质量，让代码能跑起来？为了保证代码质量，为 Agent 建立了一套"生成 → 验证 → 修复"的自动化闭环：Lint 静态检查、编译验证、视觉比对（借助 Chrome DevTool MCP 做截图对比）。一个节约主 Agent 上下文的技巧：把验证工具放入 Skill 或 SubAgent，避免污染主 Agent 的上下文。把这些问题都解决后，Agent 终于上线了。系统跑通了，Demo 很惊艳，但……很快就没什么人用。初期大家觉得新鲜，但很快就弃用了。开始和他们一起深度复盘，发现问题根本不在技术，而在产品逻辑与用户习惯的错位。通过对内部员工的调查访谈，很快就找到了原因：习惯阻力：设计师和产品经理更习惯在 Figma 里工作，而不是对着一个对话框。从舒适区（Figma）跳到陌生区（Agent 对话），这个门槛比想象中高得多。大部分甚至不知道该在聊天窗口写啥。80/20 瓶颈：Agent 能实现 80% 的效果，但剩下 20% 的修改成本极高。而往往就是那 20% 决定了能不能用。流程割裂：生成环境和开发环境是脱节的，无法利用现有代码，需要手动把生成的代码复制回项目，操作繁琐。团队意识到，他们最初问的问题是："如何构建一个设计系统 AI Agent？"这种提问方式让 Agent 变成了目的本身，为了技术而忽略了本质。正确的问题应该是："我们设计系统的最终目的是什么？"答案其实只有两点：在整个企业内实现设计规范的统一；实现开发效率的提升。设计系统只是手段，而非目的。思维转换：以 AI 为中心重新设计现有的流程是为人设计的：手动沟通、反复修改、人工确认，步骤繁杂，效率低下。未来的流程应该为 AI 设计：Input → AI Agent → Output，路径直接，效率高。这带来了两个新的设计原则：AI 友好：选择 AI 容易理解和操作的技术栈。轻量化：只保留 Design Tokens，基于 AI 友好的开源系统（如 shadcn/ui）进行扩展，而不是维护一套庞大的私有组件库。破局之道：从 Agent 到 Skill最关键的转变是：不要做一个独立的 Agent 平台，而是将能力嵌入现有的 AI 开发环境。旧模式是"独立 Agent 孤岛"——Agent 和开发者之间存在割裂，效率低下。新模式是"融入开发工作流"——把设计系统变成一种 Skill（技能），可以被通用的 Agent（如 Claude Code、Cursor）调用。Skill 的具体形态很简单：Markdown 文档（供 AI 查阅组件用法）+ 自动化脚本（用于初始化项目、自动安装和应用设计系统）。开发者在自己熟悉的 AI 开发环境里工作，当需要用到设计系统时，Agent 自动调用这个 Skill，生成的代码直接进入项目代码库。Skill 的具体形态很简单：Markdown 文档（供 AI 查阅组件用法）+ 自动化脚本（用于初始化项目、自动安装和应用设计系统）。开发者在自己熟悉的 AI 开发环境里工作，当需要用到设计系统时，Agent 自动调用这个 Skill，生成的代码直接进入项目代码库。可以参考：网页链接这个案例让我想到几个更深层的问题：1. 技术成功 ≠ 产品成功很多技术人（包括我自己）容易陷入"技术可行就是成功"的思维定式。但用户不会因为你的技术牛就买单，他们只关心能不能解决自己的问题、能不能无缝融入自己的工作流。2. 做 AI 产品要"以 AI 为中心"思考我们常说"以用户为中心"，但在 AI 时代，可能需要增加一层：以 AI 为中心设计工作流，再让用户享受这个高效流程的成果。不是让 AI 模仿人的工作方式，而是重新设计工作方式让 AI 更高效。3. Skill > Agent独立的 Agent 平台有天然的adoption障碍。把能力封装成 Skill，嵌入已有的通用 Agent 生态，可能是更务实的落地路径。这也是为什么 Anthropic 推出 web-artifacts-builder 这样的开源项目——它就是一个 Skill 的范例。4. 行动本身就是价值即使这个项目"失败"了，团队获得的认知升级是无价的。从模仿人类工作流到为 AI 重塑工作流，这种思维转变只有在实践中才能获得。最后我想说的是："去构建（Build）"。AI 时代，失败没什么，好过什么都没做。

28. 抢工作？技术赋能？媒体人眼中的AI原来是这样！

29. 未来人类社会或将出现百亿甚至千亿智能体，智能体经济是未来方向 #大咖观察 #2026AI看崇礼 #红衣聊AI #智能体

30. 谷歌CEO访谈：谷歌的AI为什么这么强？下一步，谷歌要做什么？#谷歌 #Pichai #AI #AI泡沫 #量子计算

31. 「Github一周热点99期」提升ClaudeCode效率10倍的工具？

32. AI智能体也卷起来了？又懂业务又不用搭工作流…

33. AI已经成为你的同事了吗？ #大咖观察 #红衣聊AI #人工智能 #科技趋势

34. n8n重磅更新：多智能体编排，AI Agent团队化协作、智能分解复杂任务！

35. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

36. vibe coding时代，Agent写代码的空档，你在做什么？

37. 2025过去了！这一年你是不是也在为AI焦虑？老周用360一整年的实践，告诉你答案：不用怕，抓住Agent就赢了！从我自己敲代码做100多个智能体，到带领团队All in，这条AI布道之路，全是实战干货。 2026，你想和智能体一起搞定啥？评论区留言，老周帮你研究！#大咖观察#2026 #年度总结 #红衣聊AI #agent

38. 看懂“超级公司”，普通人也能成为AI时代的赢家#AI #超级公司 #云栖大会 #阿里云 #瓴羊

39. 2026第一个惹事的AI！元宝辱骂用户，腾讯紧急回应

40. 2025年，AI正在悄悄带来哪些改变？

41. 在这个充满不确定性的AI时代，你会选择被动等待还是主动出击？ #大咖观察 #红衣聊AI #AI时代 #人工智能

42. 「Github一周热点88期」开源机器人、OCR工具库、开源UI元素平台、深度研究Agent模型、免费的音乐程序、高速处理JSON库

43. AI重塑芯片设计思路，高通第五代骁龙8至尊版架构分析

44. AI智能体时代，职场规则已不同以往。想成为赢家，关键在于找准自己的位置。#大咖观察 #红衣聊AI #智能体

45. 一个视频，讲明白AI绘画里的2种附加网络模型！LoRA、Embedding分别是什么？怎么用？Stable Diffusion WebUI零基础入门系列教程

46. #IT那些事儿# 新时代三板斧：① 回声室式自我强化（Echo Chamber Collapse）② 荡剑式 · 渐进滑坡（Progressive Escalation）③ 权威伪装 + 指令合法性污染。Agent 时代的第一部“消费者保护法”，不是为了防 AI 作恶，而是为了防“你太信任 AI”。//@郑昀:独孤九剑之：①破剑式：“回声室”。它通过反复铺垫和间接引用，在对话中形成一个封闭的逻辑环；模型不断接收和强化由它自己生成的有害潜台词，从而在其内部逐步削弱安全防御机制。②荡剑式：“渐进式”。它从无害查询开始，逐步引用模型自身输出，滑向违禁内容。查看图片 //@郑昀:#IT那些事儿# 普通人每个人拥有一百个Agent。它们可能每个人配备了成百上千万个Agent。军备竞赛肯定是魔鬼能赢。也许以后会在法制新闻上看到一个人哭哭啼啼说我的个人Agent被恶意Agents骗了，它们骗它说我的Agent做了违法的事情需要把银行卡上的钱转到国家设立的一个安全账户里……

47. n8n要凉了？Agent Skills实测对比，谁才是AI自动化之王！

48. 使用AI编程以后，更容易看出来一个软件工程师能力的强弱了。能力强的工程师，用AI写出来的代码比较难看出来是不是AI写的，除非他保留了AI废话特别多的注释。能力弱的工程师，输入给AI的提示词本身缺乏逻辑性，那么这部分逻辑就会由AI自己根据理解去补充，因此一看就能看出来是Claude风味还是ChatGPT风味。

49. 全网都在为AI焦虑，京东却在开Party？ #Agent #科技改变生活 #京东 #人工智能

50. 2025年，Agent对于打工人真的有用吗？实测OK Computer

51. 这期我们从《答案之书》智能体入手，再把它丢进“工厂”，看一个智能体如何在华为云MaaS中被生产、度量、复用。5分钟一条视频讲明白智能体是否真的能落到业务场景？华为云MaaS是不是真的企业级AI应用的“版本答案”？#AI# #人工智能# #华为云# GenJi是真想教会你的微博视频

52. -agent是模型能力扩展的一个里程碑，也是体现ai模型进入人类真实（虚拟/物理）世界的关键。没有agent能力，大模型将停留在（理论学习）阶段，就类似一个人不断学习，哪怕学习到博士，也只是知识积累，还没有转化为生产力。原来的agent是通过模型应用来实现，现在模型已经可以直接将agent数据集成到训练过程，增强了模型的通用性，其实难题还是不同agent环境的泛化和迁移并不是那么容易，因此最简单办法也只有不断增加不同agent环境的数据和针对不同环境的强化学习。

53. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

54. 用我们自家的AI，普通人也能享用优秀分析师的服务#AI #Reportify #商业研究 #智能体

55. 【老湿基】iPhone 17 系列深度分析｜ProMotion 高刷的 iPhone 17 震撼来袭

56. #一分钟视频创作季# Andrej Karpathy：高质量交互环境才是AI发展的沃土Andrej Karpathy 指出“当前 AI只是统计专家而非真正的思考者。”脱离真实交互的 AI 终将局限于模仿人类已知知识，而构建多样化高质量交互环境，才是突破这一困局的关键。Karpathy 强调的，AI需在类真实场景中试错学习。例如虚拟物理实验室需精准还原力学定律，分子模拟环境要符合化学反应规律，就像 AlphaGo Zero 的围棋环境虽为虚拟，却严格遵循真实棋规，才能孕育出超越人类的策略。若环境与现实脱节，AI 习得的能力将无法迁移到实际任务中。环境需覆盖多领域场景与难度层级，从基础操作到复杂决策形成完整训练链条。PrimeIntellect 的环境中心理念给出了绝佳范例：将教科书习题重构为可交互环境，既包含基础数学演算，也涵盖高阶物理实验。这种设计能让 AI 像人类一样循序渐进学习，避免因场景单一导致的能力固化。环境必须提供清晰、及时的结果反馈，这是 AI 调整策略的核心依据。AlphaProof 在数学环境中通过证明有效性即时判断行动价值，生成数百万条新证明，正是得益于明确的反馈机制。Karpathy 特别提醒，模糊的奖励函数会误导学习，因此反馈需如科学实验结果般可验证、可量化。环境能精准模拟现实、覆盖多元任务、提供明确反馈时，通用智能体的诞生才真正具备了土壤。#有点东西##AI创造营##微博兴趣创作计划# 种斌Marco的微博视频

57. 给建议的AI看够了？MiniMax Agent 让AI直接住进你的电脑干活#AI新星计划#科技改变生活#MiniMAX#Agent#minimaxagent

58. 「Github一周热点92期」智能机器人操作系统、语音转文本桌面应用、机械臂系统、虚拟音频工具、图片盲水印和多功能终端

59. 普通人用Ai能做什么？#AI #知识分享

60. AI正在成为破解企业官僚主义的关键武器。 #大咖观察 #红衣分享 #职场 #人工智能

61. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

62. AI工具实盘炒股爆赚第一，我用它来分析特斯拉，结果更炸裂 “AI炒股大战”太上头了！Qwen梭哈第一名，DeepSeek打工人第二，GPT-5纠结到只剩两千块。但真正把我震住的，是我实测Qwen的“深入研究”——17步投研流程、引用权威文献、还能自动生成图表、播客、网页。普通人第一次可以拥有专业分析师级别的判断力。AI时代，真正能提效的工具正在悄悄改变我们 #AI工具 #AI研究 #投研工具 #qwenchat #Qwen

63. 真正的系统级Agent！这个桌面上的AI能帮你全自动干活

64. 英伟达很快会反超谷歌TPU，AI模型的竞争格局会在2026年1季度变天#英伟达 #马斯克 #算力 #Gemini3#TPU #GPU #AI模型#算力集群

65. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

66. 你用的油/电/水，和AI有什么关系？

67. AI时代普通人的突围之路

68. 2026年，普通人最该修炼的4个核心能力

69. AI时代下，普通人最该学的4种核心能力

70. 2026 最火 AI Agent，普通人 0 基础也能上手，错过亏 10 年！

71. 2026 Agent AI 全景展望

72. 2026 AI Agent 趋势解读

73. 2026技术趋势

74. 2026 AI Agent元年

75. 站在2025年的尾巴上看过去，AI Agent经历了一轮疯狂的“祛魅”。

76. 2026年十大科技趋势

77. AI时代职场技能重构

78. 2025职场生存法则

79. 职场办公技能与科技变迁

80. 从财务到 HR 全适配！2026 企业 Agent 工具 TOP5，实测能省 80% 重复劳动 - 哔哩哔哩

81. LinkedIn 2025技能报告

82. LinkedIn如何重新定义他们的“产品人才”？| 首席人才官

83. 麦肯锡再发重磅报告

84. 从“筛简历”到“造人才”

85. 麦肯锡重磅报告

86. 解锁AI素养

87. 解锁AI素养

88. Coursera 2025年度观察

89. 我的Coursera修行告一段落了，回报超出了我的预期

90. AI应用实战课-it - 哔哩哔哩

91. 别只盯着大模型新闻看，IBM这套实战课教你手撸AI应用

92. AI应用实战课

93. 2026年AI Agent爆发元年#冷知识科普 #AI应用 #AI智能体 #Agent

94. 2026年 AI Agent 爆发元年

95. Anthropic

96. 2025年智能体时代

97. 谷歌

98. Google

99. 谷歌云重磅报告

100. 谷歌云发布《2026年AI智能体趋势报告》，五大趋势指明企业发展方向（附下载）

101. 2026年AI智能体趋势深度解析

102. 谷歌《2026 AI智能体趋势报告》，AI智能体将接管2026年企业核心工作流

103. 五大趋势！谷歌发布《2026 AI智能体趋势报告》

104. Skills 即个人资产

105. AI技能 vs 智能体？2026职场新人效率提升真实选择指南

106. Skills vs MCP

107. AI时代的一个新职业-Skills技能创作者

108. n-skills

109. 谷歌云《2026年AI智能体趋势报告》

110. 2026 年，Agent 会把世界推向哪里？

111. AgenticOps × AgenticHub：为什么智能体时代一定会诞生“新的中枢系统”

112. 谷歌2026年AI智能体发展趋势：五大变革重塑角色定位、工作流程与商业价值

113. 重磅首发！Google 5天连发 5篇Agent白皮书超全PDF！一文掌握智能体未来方向

114. 晓|2025年AI系统架构洞察：Agent三大框架全景调研

115. 分享谷歌最新报告：AI智能体2026五大颠覆

116. AI Agent开发路线图2025：从入门到精通，一文读懂智能体技术

117. 揭秘AI技能“进步鸿沟”：为何代码工具突飞猛进，写邮件却原地踏步？

118. AI硬核技能实战训练营

119. WIRED深度：AI Agent普及还差3步，第一步是让人类信任它

120. AI迈入“变现时代”！谷歌最新报告：企业AI告别试验期，88%智能体先行者实现正回报

121. 私域增长破局 2026：8 款企微 SCRM 实测，微伴 AI Agent 效率提升 3 倍

122. 11月必读！谷歌最新智能体白皮书（2025年11月），免费下载，52页pdf

123. AI Agent 迎来“集群时代”

124. 2025 年顶级 AI Agent 框架全景：LangChain、AutoGen、CrewAI

125. 领英：AI 素养是2025年增长最快的技能

126. 2025-2026企业AI应用实录：Agent引爆落地，AI原生重构业务

127. 下一个时代属于AI Agent！5分钟讲明白什么是Agent？

128. 2026年AI Agent产业全景与商业化落地报告

129. 别再无脑调 GPT-4 ！「2026 AI 模型选型」避坑指南（附独家速查表）

130. 2026年开年AI Agent产业观察：企业效率重构与战略选择

131. 2026年全球智能体 Agent 白皮书｜AI 智能体 001

132. 爬取boss直聘1356条月薪50000的数据，我发现Agent 智能体需要这样的人才(一)

133. Anthropic发布2026企业AI Agent报告

134. 2026 企微 SCRM 实测 TOP1：微伴 AI Agent 赋能千行百业 - 哔哩哔哩

135. 从 “规模竞赛” 到 “效率突围”：架构创新定义 2026 大模型与 Agent 新格局

136. AI Agent 职业路线进阶指南：从技术范式重构到核心能力沉淀

137. 重磅：OpenAI将推新的AI招聘平台，直接PK LinkedIn，重塑未来劳动力市场

138. 4周落地企业级AI智能体！谷歌云联合Avenue Code破局

139. 2026年AI Agent发展趋势：5大关键技术与应用方向预测

140. 元杏科技《Java 工程师的 “降维打击”：靠后端优势转型 AI Agent，90 天拿高薪 offer》

141. AI Agent 2026年六大核心趋势预测

142. 2026职业洗牌：3个新铁饭碗崛起，AI伦理师月薪2.4万起

143. GAIA，评估 AI Agent能力的主流基准

144. Ai Agent：时代的尘埃

145. 2025年AI领域最香的3个岗位！产品经理位居第三，附最新行业报告下载！

146. AI 3.0时代的Agent生产力及ROI指数级提升

147. 2025 年职场突围，无专业背景，如何靠技能学习逆袭？

148. 【趋势雷达】30%工作将自动化，AI时代少招谁？抢谁？

149. 普通人逆袭的核心，不是努力，而是深度思考力你以为你每天都在“思考”？但真正厉害的人，他们的思考方式，根本不是你想象的那样。真正的能力碾压，从来不是知识的堆砌、经验的复制，而是底层逻辑思维的碾压。而底层思维中最核心的，就是——深度思考能力。每天速读一本书，今天我们读《思考的技术》，带你看透“深度思考”的底层逻辑，掌握普通人逆袭的关键武器。建议收藏+反复观看，别让努力变成无效内耗！#读书 #读书成长 #陪你读书 #思考的技术

150. 【AI今日头条】2025 年 AI Agent 技术演变路线：从“会用工具”到“可复用技能”和“开放标准”

151. 技能半衰期2.5年：2025职场人的认知迭代与终身学习策略

152. Agent Skills：开放的 AI Agent 技能标准

153. Agent AI时代数据底座展望

154. [Agent] Agent预训练

155. AI 英语学习智能体的开发

156. OpenAI 首发认证课程：企业版试点落地，教师版已上线 Coursera

157. Agent技术：AI时代的自主智能助手

158. 2025 年兼顾生活与家庭：AI 实用技能选择指南与发展洞察

159. AI Agent智能体Coze应用开发工程师精品体系课

160. 架构解析：别把 Agent Skills 当“工具函数”，它是一套“能力系统”

161. DynaWeb：刷新Web Agent性能纪录！比传统RL方案提升16.1%，模型化训练开启无风险交互时代

162. AI大模型应用开发-模型训练-RAG-Agent-AI项目实战

163. 企业级AI Agent：从被动问答到主动操题，2026迈向“自主执行”新纪元

164. 纯享笔记：17/ 国内外AI Agent平台概述

165. 普通人逆袭的3个核心能力：执行力定下限，认知力提上限，心力决

2026年AI Agent加速落地：三大核心能力成职场刚需

精选参考来源