对 Agents 和 AI Coding 讨论质量较高的一期播客,比较认同的观点:
1. AI Coding 不仅仅是狭义的“AI 编程”,而是广义的 "Task Engine",是任务自动化。理论上来说,所有数字世界里单人+电脑能够完成的任务,都可以被这个引擎搞定。因此会出现类似 Agent Company 这种新的 Benchmark,可以将所有工作环境中可能涉及到的任务抽象成为数据集。
2. 之前这波 AI 落地过于依赖 Chat 了,结果两年下来,发现其实人类并没有那么多问题想要去问 AI,并且开放式聊天的需求也并不是太大,消耗不了太多 token。而任务自动化才是真正可以带来海量 token usage 的场景。可以将任务引擎理解为雇佣了一大堆工资极低的实习生(按照现有成本计算是加州最低工资的一半,但一年之内可能会再下跌一个数量级)。
3. 当前的 AI Coding 有两个方向。一个方向是更好的 o3,去解决越来越难的问题(现在已经是 Top200 人类程序员的存在),是要攒出牛顿和爱因斯坦,而另一个方向是更好的 Devin,去完成越来越复杂多步的实际任务,是要批量制造数字员工。尽管目前 Cursor/Windsurf(更像是 L2 的 Copilot) 和 Devin(更像是 L4/L5 的Autopilot) 的路线不尽相同,但长远来看,个人认为 Devin所代表的才是更为终极的形态。
4. AI Coding 目前面临的挑战,除了 Foundation 模型的持续进化之外,更主要的在于:如何用更多的 Data Integration 和 Data Access 获得更加充分的 Context,消除与人类的信息差(有趣的是有人提到张一鸣曾经说过的字节跳动的管理思路,More Context, Less Control,同样适用于模型);如何更好地使用各种 Computer Use 工具(例如Anthropic的MCP);如何从一条条 event stream 中建立高质量的 feedback loop;等等。
5. 围绕 Agents 落地会有一波新的机会,除了做各种水平或垂类任务自动化引擎的公司之外,还有各种“服务Agents”的 Infra 和 tooling 机会,比如帮它们标注数据、增强性能、打磨工具链、加深记忆、设置监控、提供反馈、保障安全、协助与人类的沟通等等。
6. 当执行工作都能够被 AI Agents 搞定之后,未来需要的人才画像是“Founder+CEO”,需要能够提出好问题,需要去思考“做什么” 而不是“怎么做”,需要更多具备产品和用户思维,需要做更多的决策而非执行。这与我们当前教育体系的培养目的是完全不同的。当前教育还是普鲁士工业流水线的遗产,是为了培养熟练产业工人而设计的。但 AI 时代,需要的不再是高效的执行能力,而是“做老板”的能力。