这个布置的不太合理，未来可期。

听@小宏 @hidecloud 两位之前各自的访谈播客，每当提到类似“有自主规划-自主反思-自主决策-自主行动能力的 AI Agent 产品”那part讨论，他们语气中的兴奋劲儿感觉要溢出来了🫨😲所以…应该是…吧！

@小宏 

@hidecloud 

赶在Monica新Agent产品发布之前，想寻求加入你们的机会。

以下是我两年AI产品创造经历，带来的Agent认知，求一个为创造Agent发光发热的工作机会。

一、LLM&产品23、24两年总结
- 第1阶段：从ChatGPT发布，到GPTs、豆包、kimi，是LLM的第1阶段，必须Instruct足够好，下足功夫在PE上，把一个个单点的「语言任务」解决好。prompt第一句最好是「你是XXX」。
- 第1.5阶段：从ChatPDF到perplexity、cursor、Devin，是LLM的第1.5阶段，是非推理模型的线性外推，必须将「垂直场景需求/工作流」打包好，让AI智能就像血液一样从心脏到毛细血管，比如Devin将产品、社会、开发、测试、运维的职能All in one地解决了。软件开发有一套成熟的SOP。
- 第2阶段：从LLM autoGPT到CoT-LLM，是LLM的第2阶段，更加智能、通用、低使用成本。从豆包和ChatGPT迁移到DeepSeek的用户一定会发现，没有多少迁移成本，换个聊天框而已。从来没用过百度的大叔，终于感受到了知识平权。在以前你比AI懂的领域，现在LLM会更全面甚至超越你；在你不懂的领域，现在LLM能给你带来Know How。其中，CoT带来的「规划/推理」能力增强带出了Agent机会。
- 第2.5阶段：Agent，从DeepResearch开始。

二、新阶段的机会-Agent
持续对齐用户需求任务的产品，这是未来最大的入口（唯一的入口），而完成任务的产品都是工具tools use，AI coding、computer use、function call、MCP、ANP、artifact、ppt、excel。

agent是：1、持续对齐需求；2、用超人的方式完成任务。

用户在哪里发号施令，哪里更能理解他的需求，哪个秘书最懂他。要懂他，必须从现在开始积累对用户的认知，这部分认知是未来的产品壁垒，是用户的迁移成本。要做生产力场景，对用户基本的认知是他的工作岗位及其职责，持续对齐的过程是跟进用户在做的项目的背景。

比如我是产品经理，我现在在做一个新功能，给AI下命令，我要做新一轮的竞品分析。AI agent需要思考：谁是你的竞品？你要怎么分析？你需要验证的是什么？上一次分析有什么结论？报告要怎么写？我去哪里获取数据？获取哪些数据？

我再下一个命令，我要做分析竞品的subreddit做用户研究。

如果是chatbot，你需要重复输入项目背景信息，你需要整理竞品数据跨平台输入。在LLM看来，你缺少了context，他没法inference。人类除了纯语言任务外的其他任务如涉及跨平台，已经超越了chatbot这个产品形态的承载能力了。

需求任务总是很复杂的，LLM规划是分很多层的。LLM需要持续对齐人类的需求，执行复杂的过程。
假设目标是从竞品subreddit中获取用户需求反馈，我们需要有多层计划。

最顶层
规划的第一个障碍来自人类自然语言表达的需求的模糊不清，因为人类无法持续用系统2来抽象自己的需求，无法表达、表达不准确、直到看到结果才清楚自己的需求。这是人类的心理、生理决定的。
无论是什么agent都必须面临这个问题。

目标拆解第一层
1.确定sub
2.查看sub
3.总结sub中
遍历多个sub

目标拆解第二层
怎么确定sub？
…

这里就是应用层吃掉算法和GPU的大量token or 算子的地方。

三、Agent的容器是什么？
产品形态是什么？
生产力场景下，用户的工作台是什么？
输入框，会不会太「单点式」？
word文档，会不会有「压力」？

四、Agent基本特征
1、异步
2、AI长周期持续跟踪
3、过程可见、可变更、可控制

———
钟镇杰，98年生成，AI两年经历两家微小创业公司，主导做过海外AI App、网页、智能硬件，未取得成果但持续创造着。

当然，一个重要原因是我们做的这个新产品有点过于nb……😂

现在在团队的一个职能是反向PUA大家。“你已经做得很好了，可以上线了”“这个不做也没什么”“不喜欢就不喜欢吧，先去听喜欢我们的用户的反馈”😝我们东亚孩子对自己真的太狠了。

hidecloud: 现在在团队的一个职能是反向PUA大家。“你已经做得很好了，可以上线了”“这个不做也没什么”“不喜欢就不喜欢吧，先去听喜欢我们的用户的反馈”😝我们东亚孩子对自己真的太狠了。