程序员不鸭

Agent 开发｜Java ｜持续分享学习路径，技术方案，踩坑总结，成长思考

[程序员不鸭 @longyuli8]

1、继续

2、用中文回答

3、不要问我，你自己决定

[程序员不鸭 @longyuli8]

skill 将人的经验、方法论和流程封装成可执行方案，确实具备知识商品化的潜力。

但直接售卖 skill 会面临版权和复制问题。软件有工程壁垒，数据可以持续更新，但skill以文档形式交付后就难以逃脱复制、改写和二次生成。

其实更可能交易的是 skill 背后的服务， agent、API、持续更新能力，或者针对具体场景的解决方案。

不过小范围的定制化交易仍有价值，尤其是企业流程、行业经验和个人工作流这些。

oi，又水一篇

[程序员不鸭 @longyuli8]

llm很烦模糊指令。

很多 agent任务失败，本质是用户原始输入的 Signal Strength（信号强度）太低。但你是没有办法调控用户输入的，所以就需要增强输入理解链路。

比如在主 Agent 前加个意图理解层，用轻量级模型做好 Intent Classification，再进入任务编排，避免 llm 直接面对低信号输入。

另一种方案是 Rewrite（需求重写），用于单句表达不完整、需要结合上下文理解的问题。

比如用户说：“帮我订明天去上海的票”，然后又：“改成后天”。如果只看第二句话，模型无法判断是改日期、改目的地，还是重新创建订单。Rewrite就可以转换成：“用户想修改刚才上海行程的出发日期，从明天改为后天”，让 Agent 准确执行。
再比如日程管理场景，用户说：“我什么时候回北京”。意图是查询返回北京的行程。结合上下文我的所在地信息，Rewrite 后可以转换成：“查询从上海到北京的返程航班或行程”。

这也是我为什么不看好 Naive RAG的原因。依赖关键词匹配或简单向量相似度，系统可能会召回“上海飞北京”和“北京回上海”的所有记录，匹配的局限性导致他没法理解“回”背后的方向意义。

有价值的 Agent 必须理解上下文、语义关系和用户习惯，这也是它和传统搜索的区别。

开发一个生产级 Agent，整个过程持续调整 Prompt、优化流程、处理异常输入。一个 Demo 能跑起来，和能覆盖真实世界各种复杂场景，中间还有很大距离。

让 Agent 在复杂环境中稳定理解需求，本身就是一个工程问题。

[程序员不鸭 @longyuli8]

@AriXZone 哈哈哈哈哈哈

[程序员不鸭 @longyuli8]

如果里面的人是你，

你第一反应会怎么做？

[程序员不鸭 @longyuli8]

哪个模型最有人情味？

[程序员不鸭 @longyuli8]

从A社的种种行为中, 你能很明显看出来这个企业的"高傲"，

它认为自己的模型继续处于领先位置, 能为自己拉来投资, 拉来企业订单, 那就不需要过分讨好个人用户。

从A社CEO出走OAI的理由足以见得, A社起家就是为了特立独行, 你很难说得清他为什么会有这种观念, 要我说这就是刻在其高层群体里的东西。

至于它的封号逻辑，属于地缘+种族问题，就是不给华人用，管你是free，pro，max的都封，没有原因没有逻辑。

[数字生命卡兹克 @Khazix0918]

傻逼Claude，我活了半年的号也没了。
再见，从此以后拉黑。
时代变了，再也不是非你不可的时代了。
GPT+Kimi，比你还能打，傻逼。

[程序员不鸭 @longyuli8]

我已急哭😭

[程序员不鸭 @longyuli8]

对于个人或小团队来说，很多时候最大的技术能力，是识别哪些问题不应该继续技术投入。

电商的风控不是一般爬虫能解的，不仅要解决图里说的这些问题。

投毒、实时、优惠计算等一大堆阴间case 在后面等着，这块就算用改机后的安卓/ios真机 + 4g卡的代理都会遇到不少风控，没什么稳定的方案，需要团队不停的投入去做长期对抗。

甚至极端点，有时候为了保障稳定，还需要依赖众包这种原始人方案去应急，需要大量人力物力。

（转）

[程序员不鸭 @longyuli8]

判断一个 Agent 有没有生产意义，是看它是不是真理解业务，而且在具体任务场景中普遍超过用户的认知和执行能力。

比如一个 C 盘清理 Agent，
用户就知道个目标效果，系统不能崩，软件不能坏，隐私别给我泄了，我还能正常使用，我还得看见 C 盘剩余空间变大了。

Agent 则需要结合当前环境、软件依赖、文件用途和用户习惯，根据用户模糊的指令，动态判断哪些可以清理、哪些必须保留，对于无法确定的信息，主动向用户提问，用简单友好的方式补充关键上下文，最终安全完成任务。

所以，帮用户干一件用户本来就知道怎么做的活，其实还是传统软件工程的事。Agent 是用户自己不知道该怎么解决的问题，需要交给一个具备领域理解和判断能力的智能体帮他干这个活。

是不是这么回事

[程序员不鸭 @longyuli8]

@PandaTalk8 我焯肖科长

[程序员不鸭 @longyuli8]

@lidangzzz 在微信里面听过村西边老王的麦 ，质量太差了，那个老王给自己吹成全能神了，听党哥这个感觉舒服多了，内容也更价值

[程序员不鸭 @longyuli8]

@blackanger 银狐确实可以，追着我问

[程序员不鸭 @longyuli8]

技术方案是很晚才确定的，最终交付时间是几乎不调整的；

陌生项目是没有时间熟悉的，项目关联服务是靠口口相传的；

额外任务随机插入是持续不断的，原来的工作量和截止时间是不允许变化的；

AI Token 是不给报销的，压缩开发周期是拿 AI 当理由的；

极快的开发速度是必须保证的，交付质量是又不能受到影响的；

对实习生员工是频繁催促的，对自己工作进度是采用另一套标准的；

对开发人员提供的实际运行结果是选择性忽视的，对自己和捧臭脚 AI 得出的分析是深信不疑的；

对当面展示的完整排查过程是要求重新验证的，对自己重复走过的验证流程是认为不可替代的。

[程序员不鸭 @longyuli8]

@hannahluvvu 银狐你追着新人咬是吧

[程序员不鸭 @longyuli8]

@Weixin_WeChat 我擦

[程序员不鸭 @longyuli8]

如果一个业务是规则明确的，直接传统软件工程硬编码就能解决，

则不要引入AI；

如果不确定是否可以通过传统软件工程解决，则继续研究业务的规则，

就这。

[程序员不鸭 @longyuli8]

最近一直在折腾 AI 在应用层的落地，也就是 Agent，也有相同的厌倦情绪，

四个字概括就是，没活瞎整，

很多场景不是没必要，是根本不能上 AI，典型如一众吹捧的 AI 法务，AI 招聘，AI 客服，恨不得他妈的每个领域都搞出个行业大模型，大 Agent。

很多人不明白，Agent 最容易成功的场景，在于这个业务核心问题本身能用 coding 解决，然后去套个壳，比如信息整合和动态编排，再者就是边缘节点的，比如自然语言理解，引入 AI 处理其中原本无法结构化破事等。

因为 AI 最擅长也只能干的就是 coding， 这是训练来的核心能力，能解决问题的根本性是这，不是因为你为了包成个 Agent 而搭出来那套东西。

不信你看看你接触到的非 coding 能解决的业务，但凡瞎捯饬弄出个 XXXAgent 的，有哪个好用。