🤖 Agent技术深度解析

🤖 Agent技术深度解析 🤖 Agent技术深度解析 Modified November 3, 2025 通过透明化过程建立信任。让用户看到Agent的思考过程（如DeepSeek R1的reasoning）。 提升准确度的方法 Human in the Loop 关键节点让人参与决策 用户偏好记录 积累知识，理解用户习惯 主动澄清 对模糊输入进行多轮提问，逐步具体化 过程可视化 Browser Use的价值：让用户看到每一步操作 "与人建立信任的方式是让对方看到你怎么做事。Agent也一样，透明化过程才能建立信任。" 🏷️ Agent分类与定位 判断标准 通过交付结果（Delivered Result）来区分Agent类型，而非功能描述。 定性 vs 定量分析 • 定性分析：建立感觉，大概了解情况 → 调研类Agent • 定量分析：需要准确数字，数据源必须可靠 → 数据类Agent 🎯 通用Agent vs 垂直Agent 核心判断 我们现在处于也将长期处于垂直Agent时代。 做饭的比喻 通用Agent = 会做饭的普通人 拿出手机看菜谱，能做出能吃的饭。 垂直Agent = 五星级酒店大厨 专业出身，美观度和美味度都超出数倍。 💰 如何评估Agent创业公司 关键问题 你的产品里环境反馈的激励信号是怎么设计的？ 评估维度 5. 理论基础 团队是否理解强化学习？是否看过萨顿的书？是否有正确的mindset？ 6. 激励信号设计 什么行为是好的？什么是坏的？如何判断离目标更近还是更远？ 7. 结果定义 交付结果是否清晰？是否可收敛？是否可迭代优化？ 8. 结构化能力 输出是否结构化？能否用代码校验？是否避免死循环？ "如果只让大模型判断结果好坏，会陷入死循环。必须提供大模型本身不具备的反馈信号。" 🔄 Workflow与Agent：共存而非对立 核心区别 • Workflow：人驱动 → 稳定可靠，但不够泛化 • Agent：AI驱动 → 足够泛化，但可能不稳定 80/20法则 Workflow负责80%常见问题 Agent负责20%长尾问题 互补关系 Agent可以调用Workflow Workflow可以嵌入Agent能力 长期共存 不是替代关系，而是各自适用不同场景的工具 🔮 未来发展预测 预测框架：抓住关键变量 Agent的结果 = Context + 模型能力，因此关注这两个变量的突破。 模型能力维度 GPT 5发布 预计2025年底，带来能力跃升，可做Demo展示 成本下降 GPT 5成本降至1/5或1/10，预计需要1年时间，届时可规模化使用 开源模型 DeepSeek V4 + 推理模型，可能带来新的突破 Context工程维度 工程复杂度 Cursor从2022年到2024年下半年，花了1.5年做Context工程。工程量远超想象。 新产品周期 优秀团队从现在开始，需要6个月到1年时间。预计2025年Q3会有更好的Agent产品出现。 时间线预测 • 2025年底：GPT 5发布，Agent能力提升，更多Demo出现 • 2025年Q3 Q4：基于DeepSeek的新Agent产品成熟 • 2026年下半年：成本降低，大规模可用的Agent产品普及 📊 实战案例：Sheet0数据Agent 产品定位 数据收集 → 数据处理 → 基于数据的行动，全链路闭环的Data Agent。 典型场景 场景1：销售线索挖掘 从GitHub开源用户主页 → 分析代码提交记录 → 找到社交媒体 → 识别公司信息 → 自动关注Twitter → 发送私信 场景2：YC公司分析 抓取YC最近batch公司列表 → 找到创始人信息 → 获取Twitter账号 → 自动关注并私信 核心优势1：100%准确率 预置测试好的工具，通过工具复用而非每次生成代码，保证准确性。 核心优势2：无幻觉 大模型负责页面结构分析，实际数据收集用代码执行，代码提供明确反馈信号。 核心优势3：可行动 不只是生成报告，可以基于数据执行后续动作（发邮件、私信等）。 技术选择：通用性 vs 准确性 Manus方案：每次动态生成代码，通用性强但需要不断debug，准确率无法保证 Sheet0方案：预置工具库，牺牲部分通用性换取100%准确率和更低成本 💎 核心洞见总结 9. 理论基础 Agent源于强化学习，必须理解状态、行动、激励信号三要素。 10. Context为王 Context工程是被低估的关键，决定了Agent的上限。 11. 垂直优于通用 垂直Agent可以做到100%准确率，通用Agent难以保证质量。 12. 激励信号设计 必须提供大模型本身不具备的反馈信号，才能真正迭代优化。 13. 产品设计哲学 交互自由度 准确度，让用户不动脑子就能用。 14. 信任建立 通过透明化过程建立信任，让用户看到Agent如何思考和行动。 15. 工具复用 AI Coding是灵巧手，但预置工具比每次生成代码更高效可靠。 16. 结构化输出 输入可以非结构化，但输出必须结构化才能校验和迭代。 🏷️ 关键词 Agent定义 强化学习 Context工程 环境反馈 激励信号 MCP Browser Use AI Coding 垂直Agent 数据Agent 准确率 泛化能力 用户交互 意图识别 工具复用 结构化数据 信任建立 产品信息 Sheet0 数据Agent产品 官网：sheet0.com 本文档整理自播客对话，时长52分38秒 对话嘉宾：曲凯 × 王文峰（两年Agent创业者） sheet0.com 通过透明化过程建立信任。让用户看到Agent的思考过程（如DeepSeek R1的reasoning）。 提升准确度的方法 Human in the Loop 关键节点让人参与决策 用户偏好记录 积累知识，理解用户习惯 主动澄清 对模糊输入进行多轮提问，逐步具体化 过程可视化 Browser Use的价值：让用户看到每一步操作 "与人建立信任的方式是让对方看到你怎么做事。Agent也一样，透明化过程才能建立信任。" 🏷️ Agent分类与定位 判断标准 通过交付结果（Delivered Result）来区分Agent类型，而非功能描述。 定性 vs 定量分析 • 定性分析：建立感觉，大概了解情况 → 调研类Agent • 定量分析：需要准确数字，数据源必须可靠 → 数据类Agent 🎯 通用Agent vs 垂直Agent 核心判断 我们现在处于也将长期处于垂直Agent时代。 做饭的比喻 通用Agent = 会做饭的普通人 拿出手机看菜谱，能做出能吃的饭。 垂直Agent = 五星级酒店大厨 专业出身，美观度和美味度都超出数倍。 💰 如何评估Agent创业公司 关键问题 你的产品里环境反馈的激励信号是怎么设计的？ 评估维度 5. 理论基础 团队是否理解强化学习？是否看过萨顿的书？是否有正确的mindset？ 6. 激励信号设计 什么行为是好的？什么是坏的？如何判断离目标更近还是更远？ 7. 结果定义 交付结果是否清晰？是否可收敛？是否可迭代优化？ 8. 结构化能力 输出是否结构化？能否用代码校验？是否避免死循环？ "如果只让大模型判断结果好坏，会陷入死循环。必须提供大模型本身不具备的反馈信号。" 🔄 Workflow与Agent：共存而非对立 核心区别 • Workflow：人驱动 → 稳定可靠，但不够泛化 • Agent：AI驱动 → 足够泛化，但可能不稳定 80/20法则 Workflow负责80%常见问题 Agent负责20%长尾问题 互补关系 Agent可以调用Workflow Workflow可以嵌入Agent能力 长期共存 不是替代关系，而是各自适用不同场景的工具 🔮 未来发展预测 预测框架：抓住关键变量 Agent的结果 = Context + 模型能力，因此关注这两个变量的突破。 模型能力维度 GPT 5发布 预计2025年底，带来能力跃升，可做Demo展示 成本下降 GPT 5成本降至1/5或1/10，预计需要1年时间，届时可规模化使用 开源模型 DeepSeek V4 + 推理模型，可能带来新的突破 Context工程维度 工程复杂度 Cursor从2022年到2024年下半年，花了1.5年做Context工程。工程量远超想象。 新产品周期 优秀团队从现在开始，需要6个月到1年时间。预计2025年Q3会有更好的Agent产品出现。 时间线预测 • 2025年底：GPT 5发布，Agent能力提升，更多Demo出现 • 2025年Q3 Q4：基于DeepSeek的新Agent产品成熟 • 2026年下半年：成本降低，大规模可用的Agent产品普及 📊 实战案例：Sheet0数据Agent 产品定位 数据收集 → 数据处理 → 基于数据的行动，全链路闭环的Data Agent。 典型场景 场景1：销售线索挖掘 从GitHub开源用户主页 → 分析代码提交记录 → 找到社交媒体 → 识别公司信息 → 自动关注Twitter → 发送私信 场景2：YC公司分析 抓取YC最近batch公司列表 → 找到创始人信息 → 获取Twitter账号 → 自动关注并私信 核心优势1：100%准确率 预置测试好的工具，通过工具复用而非每次生成代码，保证准确性。 核心优势2：无幻觉 大模型负责页面结构分析，实际数据收集用代码执行，代码提供明确反馈信号。 核心优势3：可行动 不只是生成报告，可以基于数据执行后续动作（发邮件、私信等）。 技术选择：通用性 vs 准确性 Manus方案：每次动态生成代码，通用性强但需要不断debug，准确率无法保证 Sheet0方案：预置工具库，牺牲部分通用性换取100%准确率和更低成本 💎 核心洞见总结 9. 理论基础 Agent源于强化学习，必须理解状态、行动、激励信号三要素。 10. Context为王 Context工程是被低估的关键，决定了Agent的上限。 11. 垂直优于通用 垂直Agent可以做到100%准确率，通用Agent难以保证质量。 12. 激励信号设计 必须提供大模型本身不具备的反馈信号，才能真正迭代优化。 13. 产品设计哲学 交互自由度 准确度，让用户不动脑子就能用。 14. 信任建立 通过透明化过程建立信任，让用户看到Agent如何思考和行动。 15. 工具复用 AI Coding是灵巧手，但预置工具比每次生成代码更高效可靠。 16. 结构化输出 输入可以非结构化，但输出必须结构化才能校验和迭代。 🏷️ 关键词 Agent定义 强化学习 Context工程 环境反馈 激励信号 MCP Browser Use AI Coding 垂直Agent 数据Agent 准确率 泛化能力 用户交互 意图识别 工具复用 结构化数据 信任建立 产品信息 Sheet0 数据Agent产品 官网：sheet0.com sheet0.com 本文档整理自播客对话，时长52分38秒 对话嘉宾：曲凯 × 王文峰（两年Agent创业者） 从理论到实践：两年Agent创业者的经验分享 👥 对话：曲凯 × 王文峰 💡 Agent核心定义 Anthropic的权威定义 Agent = 模型 + 环境反馈 + Tool使用 Agent是模型基于环境反馈去使用Tool的一个程序。这三个要素缺一不可。 🧠 模型（Model） 底层大模型能力，尤其是O1带来的强思维能力，RL深度学习的应用使得Agent真正可用。 🔄 环境反馈（Environment Feedback） 提供激励信号的反馈机制，判断每一步行动是否接近目标，这是Agent能够自我迭代的关键。 🔧 工具（Tool） 通过函数调用方式实现行动，代码与数字世界交互的媒介。 🚀 两年关键变化 从玩具到生产力工具 2023年4月的AutoGPT更像是玩具，但经过两年发展，Agent已经能在实际工作场景中带来真正价值。 📚 Context：被低估的关键 什么是Context？ Context定义了所有大模型需要利用的信息总和，包括： • 代码库结构、源文件、可用API • 网页内容、数据表格 • 用户输入、历史对话 • 执行过程中生成的中间结果（如SQL） • 用户行为路径、点击数据 "Context的核心是：这些信息从哪里来？如何自动化提炼？Agent强调的是通过自动化方式获取信息，而非人工输入。" Context的三个层次 1. 启动Context 打开APP的瞬间就提供了海量信息（如打开美团=要点外卖） 2. 交互Context 用户行为路径、历史对话、偏好记录 3. 执行Context 中间步骤产生的数据、环境反馈信息 ⚙️ 技术方案全景 🎯 核心洞见：代码 vs 视觉 两派方案本质： • 代码派（MCP/Function Call）：通过API和代码解决，准确率高但需要接口支持 • 视觉派（Computer/Browser Use）：模拟人操作，通用性强但准确率较低 最佳实践：优先使用API方案，无API时降级到视觉方案。视觉方案成本低（少一个数量级），但需要工程优化提升准确率。 💻 AI Coding：Agent的灵巧手 关系定位 AI Coding是大模型的一个Tool，而非与Agent平行的概念。 协作优先 优先寻找现有可用工具，复用已测试的代码，提高效率降低成本。 动态生成 当找不到合适工具时，退化到AI Coding方案，现场生成定制工具。 准确率保障 代码可执行验证，提供明确的反馈信号，避免幻觉问题。 "AI Coding就是大模型的灵巧手。每个任务90%成功率，10步后是0.9^10。但用代码验证，可以保证每步100%准确后再进入下一步。" 🎓 强化学习：Agent的理论基础 核心观点 不理解强化学习，就很难理解Agent到底是什么，更难设计出好的Agent产品。 强化学习三要素 1️⃣ 状态（State）= Context 当前Agent所处的情况，包括记忆、当前观察、历史行为等。 2️⃣ 行动（Action）= Tool Use 通过函数调用执行具体操作，与数字世界交互。 3️⃣ 激励信号（Reward）= 环境反馈 判断这一步是否让我更接近目标（+1或 1），这是Agent能够迭代优化的关键。 🔑 对创业者的关键建议 1. 把产品设计成环境：只有成为环境，才能定义状态和行动空间 2. 定义清晰的结果：结果定义好了才能收敛，才能设计激励信号 3. 提供非模型的反馈：必须提供大模型本身不具备的反馈信号 4. 结构化输出：输入可以非结构化，但输出必须结构化才能校验 "推荐所有Agent开发者阅读强化学习之父萨顿的书。只有这种mindset，才能设计出能自我迭代的Agent。" 🎨 Agent产品设计哲学 核心原则 好的Agent应该让用户越简单、不用动脑子，就能用起来。功能越强大，应该越懂用户偏好。 交互自由度 准确度 用户想怎么说都可以，不要让用户适应产品。聊天框是最好的交互入口。 动态界面 200个组件，用户可能只看到10个。在适当时机推出合适组件，而非一次性展示所有功能。 建立信任