Nexus Wang

AI产品 Agent设计 AIGC
无论遇到再大的困难，请不要放弃你的热爱，保持好奇心和创造力

[Nexus Wang @ZaneBladeBing]

《AI全面普及时代下的企业转型与提效》
现在各行各业都在做AI落地
但什么是AI落地，该怎么实施
到底能起到什么作用呢？

我大概面了20来家公司， 每面试一家公司，都会自发的详细查询对方背景和需求，做一套AI落地方案，有电商类/C端陪伴类/社交类/AI客服类/电销类

发现一个普遍的问题是，很多业务负责���和老板，不知道AI的边界在哪里
分为两派：觉得AI无所不能但不知道怎么落地，完全想不到AI还可以这样玩
当我演示一个AI功能，他们就很惊讶，AI还能这样做？ 然后会觉得这个实现肯定不便宜
当我说出只需要几毛钱的时候，就更惊讶了

虽然现在大家都知道该用AI，但好像仅局限于当百度来用，写写文案 脚本，画画图，数据统计， 这个阶段，AI只起到了一个小辅助工具的作用， 提效很小

正确的用法，应该是把AI看作一条流水线的驱动器， 就像一辆车的发动机，像人身体上的心脏，维系整个环节的运转

这个，就叫 AI Native
人可以是 AI Native Man， 企业也可以是AI Native Organization

AI当然不可能实现一切，但可以驱动一切

一个真人员工完成一项重复性的工作，他需要哪些资源，什么权限，什么工具，产出什么，产出结果怎么验证，结果可以复盘吗
把这些搞清楚了，给AI也同样的条件，可以产出和真人同样效果
所以，AI就是对人类社会的仿生学， 搞清楚人是怎么干活的，公司组织、社会组织是如何运转的，就可以明确该怎么让AI高效干活了

比如，像电商类的业务，需要把内容生产/投放管理/投放数据统计等等环节，先梳理清楚
第一阶段：到业务一线调研，人员构成和工作内容，什么岗位 什么环节可以做SOP沉淀，用一个skill 或者workfow，一个agent插件包，就可以完成，先以点代面，逐步用AI来介入重复性流程，逐步覆盖
比如每天 爆款的采集/分析/视频生产/投放/数据观测 监测/ 多个电商平台的实时比价

第二阶段，在第一阶段，验证有效后，做一个Agent基座位，把前面已经沉淀的东西纳入到这个统一的系统来 内容生产>内容投放>数据观测 监测 > 复盘
在这套AI系统上，很多东西都可以AI自动去跑，同时做人员结构优化 降低人力成本，让有创意 能做到AI做不到的事的人留下来，替代只能做重复性工作的人， 把人解放出来

真正的关注内容生产的创意/研究广告的流量/品牌曝光/产品升级

AI落地的意义就在这里，真正的对企业提效，产生实际的经济价值

在当下存量时代，同行竞争太激烈了，卷规模，卷价格，传统营销模式，效果有限， 反而 提升服务与产品质量，提升人效，用心做创新，品牌文化，尤为重要

[Nexus Wang @ZaneBladeBing]

《买了一辆特斯拉Roadster后的我的生活》
必须每天飞到二楼买一杯觅塞咖啡

[Nexus Wang @ZaneBladeBing]

因为之前几百年是大工业生产体系，企业和工厂只需要经过标准化培训的人进行流水线生产，不需要也不允许大多数人拥有自由意志

但是AI时代，热爱和创造力将是推动AI变革与发展的决定性因素
对拥有好奇心和创造力的人，将迎来他们最辉煌 肆意��挥的时代

为什么现在大规模裁员，AI频频让人恐慌焦虑啊
因为生产关系在急剧变革呀
之前大工业生产制度持续了几百年，而现在AI的快速推进，会逐步替代过往的大工业流水线生产过程， 本质上，这就是正在发生的生产力革命

很多普通人的思考方向就错了， 不是该天天焦虑“AI这么强了，那还需要我干嘛”
你不是该跟AI比执行层能力， 应该是和其他人比驾驭AI去创造的能力

抓紧学习AI Harness 并实践，才是每个人现在上车AI大潮的机会，是唯一该持续研究 该做的 充满魅力的事

[Nexus Wang @ZaneBladeBing]

一个小时快速上手blender · 速查手册
当前可以通过Astra 或者 opus5.5 在blender中快速建模和做空间动画， 但建模完成后，还需要对blender做微调和查看
花大量时间去系统性学习blender又没必要，但又要会基础操作
希望这个速查手册对你们有帮��
https://t.co/5IZLFP0o02

[Nexus Wang @ZaneBladeBing]

@miles_mazy 好多朋友，朋友说不完

[Nexus Wang @ZaneBladeBing]

@maarcoofdezz @grok 逐行翻译视频中的内容，用中文

[Nexus Wang @ZaneBladeBing]

@nanami_mua 问薪无愧

[Nexus Wang @ZaneBladeBing]

@gefei55 那这种�����下， 我向独立开发者 卖铲子，不就对了

[Nexus Wang @ZaneBladeBing]

@MrLarus

[Nexus Wang @ZaneBladeBing]

Agent设计方法论：

假设你自己就是一个Agent， 你要解决当前问题，我需要什么条件、工具、权限、 人员协同， 整个工作流程，产出什么， 怎么验证成果，总结经验复用（AI Native的意义）

比如 剖析人的记忆是怎样���， 是怎么长时记忆的

人回忆时以时间、地点为锚点展开——什么时候、在哪里、见了谁、做了什么、说了什么、结果如何。每个锚点可以再分叉，呈放射状。
回忆也是渐进的：先渐进式回忆到某个锚点再逐步展开；若查不到，则溯源时间锚点，再向前/向后检索
所以，设计了如下deepseek harness的跨会话记忆插件

这是AI对人的人的仿生记忆
那么如果要做陪伴类AI
那就先得剖析自己是怎么陪伴他人，别人怎么样陪伴自己
让AI仿生人的情感

再比如
当前Agent设计
To B就是就是如何让AI可控的像一个优秀员工一样干活
To C就是如何让AI像真是人类一样拥有感知、记忆、情绪、情感等能力

我把Agent设计分为 八个维度： 感知、记忆、推理、工具、反思、协作、治理、自我进化
每个维度都可以从人身上找到映射
我们人是怎样去感知、记忆、推理....， 那么就深度剖析了，再通过技术手段复刻给Agent

[Nexus Wang @ZaneBladeBing]

当前Agent设计就是AI对人类的仿生学
AI时代，做一个好产品 做成功一番事业，而是人对自己和真实世界的理解

To B就是就是如何让AI可控的像一个优秀员工一样干活
To C就是如何让AI像真是人类一样拥有感知、记忆、情绪、情感等能力

我把Agent设计分为 八个维度： 感知、记忆、推理、工具、反思、协作、治理、自我进化
每个维度都可以从人身上找到映射
我们人是怎样去感知、记忆、推理....， 那么就深度剖析了，再通过技术手段复刻给Agent

很多时候，面对 Agent 设计中，不知道该怎么决策、怎么组织，想象如果自己是一个 Agent，会怎么思考、怎么决策、怎么组织，同样一件事，由人去完成，该怎么做，自己可以完整的实现一遍或最小化尝试，然后复���给 Agent。

一、Agent 不是 “更聪明的聊天机器人”，而是对人类行为与组织的仿生
今天很多人谈论 Agent，容易把它理解为 “大模型 + 工具调用 + 循环执行” 的技术系统。
这并不错，但很容易把 Agent 设计带偏。
如果��从技术出发，Agent 很容易被做成一个链式任务执行器：接收目标 → 拆解步骤 → 调用工具 → 返回结果。这种结��在简��任务中有效，一旦进入复杂决策、多人协同、动态对抗、目标冲突、组织博弈，就会迅速失灵。
原因很简单：
复杂场景中的 Agent，真正复刻的不是 “回答问题”，而是 “人如何思考、如何决策、如何组织、如何在不确定中行动”。
Agent 的本质，是对人类个体行为和人类组织运行的仿生系统。
所谓仿生，不只是模仿人的语言能力，而是复刻一整套更底层的运行机制：
人如何在不完整信息中判断形势；
人如何在冲突目标中做权衡；
人如何依靠记忆、经验和偏见做决策；
人如何制定计划，又如何被现实修正计划；
人如何把行动变成结果，再从结果中复盘；
人如何分工、协作、沟通、博弈和承担责任。
如果我们要设计真正复杂的 Agent，就不能只问 “模型怎么更聪明”，而要先问：
如果这件事由人来完成，人是怎么做的？一个真实组织又是怎么运转的？

二、朝鲜战争为什么值得作为 Agent 设计样���

朝鲜战争并不是一场单纯的军事冲突，而是一个高度复杂的多组织博弈系统。
在这个系统里，中国、美国、朝鲜、韩国、苏联以及联合国军各方，都不是单一决策者，而是由政治领导、参谋部、前线部队、情报机构、后勤体系、外交系统组成的组织型 Agent。
每一方都面临相似的问题：
如何获得情报？
如何判断目标？
如何制定计划？
如何执行行动？
如何承受失败？
如何调整策略？
如何处理内部分歧？
如何与盟友协作？
如何约束下级权力？
这些问题，恰恰也是复杂 Agent 设计必须回答的问题。
所以，朝鲜战争的价值，不在于提供一个军事故事，而在于提供一个真实的、经过压力测试的人类组织样本。
当我们看不清 Agent 架构该如何设计时，不妨回到真实组织：人在这种情况下会怎么决策？会怎么组织？会怎么失败？

三、从个体决策看 Agent：人如何在不确定中行动

1. 感知：没有任何决策者拥有全局视角
朝鲜战争中，没有哪一方真正掌握完整、准确、实时的战场全貌。
美军误判中国出兵的可能性；朝鲜人民军低估美军登陆反击能力；志愿军也必须在后勤不足、火力差距巨大、情报不完全清晰的条件下做判断。
这说明一个关键问题：
真实 Agent 的感知能力，本质上是局部观测，而不是全局全知。
因此，Agent 设计的第一步，不是把所有信息都喂给模型，而是必须建立情报体系：
多源信息采集；
信息融合；
噪声过滤；
偏见识别；
不确定性表达；
局部观测输出。
很多 Agent 系统之所以显得 “假”，是因为设计者默认 Agent 拥有上帝视角。而真实世界中的人，永远只能看到一部分信息。

2. 目标：行动不是为了完成任务，而是为了实现目标栈
朝鲜战争中的目标，从来不是单一的。
对于中国而言，目标不仅是军事取胜，还包括国家安全、边境稳定、外交格局、国内建设。
对于美国而言，目标也不仅是���败朝鲜，还包括��制共产主义、维护盟友体系、避免与苏联直接爆发全面战争。
这意味着，复杂 Agent 的目标必须是分层的：
顶层硬约束目标；
中层战略目标；
下层战术目标。
真正困难的不是执行某一层目标，而是目标之间发生冲突时如何取舍。
例如：
战术上继续推进，是否会触发战略风险？
局部战果扩大，是否会破坏全局政治目标？
前线追求胜利，是否会让国家陷入更大战争？
Agent 设计如果只有单一任务目标，就无法处理这种冲突。
复杂 Agent 必须具备目标栈，并且允许目标之间进行权衡。

3. 记忆：人不是每次都重新决策，而是带着经验行动
麦克阿瑟受到二战经验影响，容易低估中国介入的意志；志愿军则在一次次战役中更新对美军作战方式的认知。
这说明记忆并不只是 “存储信息”，而是会影响决策方式。
Agent 的记忆系统至少应区分三类：
短期工作记忆��当前态���、上下文、最新变化；
长期事实记忆：历史经验、对手特征、组织规则；
情景反思记忆：过去行动的成败案例与教训。
真正重要的是，记忆不是静态数据库，而是会影响后续判断的认知结构。
旧经验可能带来优势，也可能带来路径依赖。
好的 Agent 仿生，不仅要让 Agent 记住成功，还要让它记住失败，并且理解失败为什么发生。

4. 规划：真正的计划不是一条路径，而是一组可选方案
朝鲜战争中的重大决策，几乎都不是线性执行，而是多方案权衡。
中国是否出兵，需要比较不出兵的边境风险与出兵后的战争风险；美军决定仁川登陆，也需要在反对声中评估登陆收益与失败代价。
因此，Agent 的规划能力，不应该只是生成单一路径，而应该包括：
多候选方案生成；
风险与收益推演；
内部分歧表达；
最终方案取舍。
也就是说，Agent 内部也应该模拟 “参��部”，而不是只有一个执行秘书。

5. 反思：复盘不是总结，而是改变下一次决策
每次战役之后，各方都会调整策略。
志愿军���现美军机械化撤退速度���快，包围全歼难度上升，于是调整战术；美军经历志愿军夜战、近战打击后，也改变了火力运用和防御方式。
这就是反思闭环。
但反思不能停留在 “写一段总结”。真正的反思必须产生后续影响：
更新记忆；
修改策略；
调整目标优先级；
改变权限边界。
如果反思只输出文字，却不改变下一次决策，那它就是伪反思。

四、从组织运行看 Agent：复杂系统真正的难点在协作与治理
如果说个体 Agent 仿生的是人的决策过程，那么多 Agent 系统仿生的就是人类组织。
这里有两个维度必须同时考虑：
协作：Agent 之间怎么配合干活；
治理：谁有权决策，越界了怎么办。

1. 协作：解决 “怎么配合”
协作关注的是横向关系。
在朝鲜战争中，协作体现在：
情报如何上报；
命令如何下发；
前线如何反馈；
多支部队如何同步；
盟��如何交换资源；
通信延迟下如何授权。
对 Agent 系统而言，协作层需要定义：
信息流转路径；
任务分解方式；
同步机制；
通信���议；
信息分级；
延迟容忍策略。
没有协作层，即使每个 Agent 都很聪明，也可能出现各自为政、信息孤岛、动作错位。

2. 治理：解决 “谁来拍板，越界怎么办”
治理关注的是纵向约束。
朝鲜战争中最典型的治理案例，是杜鲁门解除麦克阿瑟职务。
麦克阿瑟的问题，本质上不是协作失败，而是治理失败。他不断扩大战争目标，发表与政府政策不一致的公开声明，挑战文官政府对战争的最终控制权。
这对 Agent 设计极具启发：
多 Agent 系统如果没有治理层，一定会出现 “麦克阿瑟问题”。
所谓治理，至少包括四件事：
层级权限矩阵；
目标硬约束校验；
冲突仲裁机制；
越权检测与问责闭环。
治理层必须高于业务 Agent，不能只依赖自然语言约束。
否则，某个子 Agent 完全可能为了局部最优，破坏全局目标。

3. 协作与治理缺一不可
协作让 Agent 们 “��起把事做成”；
治理确保它们 “做成的是正确的事”。
因此，一个���整的 Agent 架构，至少应包含：
外部对抗环境；
���知层；
认知内核；
记忆系统；
目标栈系统；
规划推理模块；
反思闭环；
执行工具层；
协作层；
治理层；
多 Agent 组织实例。

五、Agent 设计的真正方法：先理解人，再复刻机器
很多人在设计 Agent 时，会先从技术栈出发：
怎么规划步骤？用什么框架？怎么调用工具？怎么做记忆？
这些当然重要，但不是起点。
真正的起点，应该是先理解真实任务中的人是怎么做决策、怎么组织行动的。
当你不知道 Agent 该如何设计时，可以问自己几个问题：
这件事如果由人来做，第一步会看什么信息？
这个人会有哪些目标？哪些目标可能冲突？
他会提出几种方案？怎么判断风险？
他会调用哪些能力？哪些资源有限？
失败以后，他会改变什么？
如果由一个团队来做，谁负责决策？谁负责执行？谁负责约���？
把这些问题想清楚，Agent 架构自然会浮现出来。
��鲜战争的价值，就在于它把这些问题放大了。
在巨大的不确定性、信息噪声、目标冲突、组织博弈和战争压力下，人类如何仍然做出决策并推动行动？
答案不是某一个人的天才，而是一套完整的仿生运行结构：
感知、目标、记忆、规划、执行、反思、协作、治理��

六、结论：Agent 设计的方向，藏在人类对自我的理解里
Agent 设计并不只是工程问题。
它更像一种关于人类行为和组织运行的逆向工程。
我们可以从重大历史事件中学习组织，从真实业务流程中学习决策，从自我剖析中学习认知，然后把这些机制重新编码到 Agent 系统中。
技术可以降低实现成本，但不能替代对问题本身的理解。
因此，真正优秀的 Agent 设计，不是先把系统做得复杂，而是先把人的决策和组织逻辑看清楚。
当你理解了人如何在真实世界中行动，你就理解了 Agent 该如何被设计。

很多时候，面对 Agent 设计中，不知道该怎么决策、怎么组织，想象如果自己是一个 Agent，会怎么思考、怎么决策、怎么组织，同样一件事，由人去完成，该怎么做，自己可以完��的实现一遍或最小化尝试，然后复刻给 Agent。

我们可以很清晰从对自我的剖析、从真实��界的组织形式、重大历史事件中，找到 Agent 设计的参照物，从而在复杂的 Agent 架构和演进中，找到清晰正确的方向

[Nexus Wang @ZaneBladeBing]

前十年啥都 互联��� + ，
现在如火如荼的搞 AI +
传统的GUI软件， 是数字化，就是把之前需要手动在线下处理的一些 信息和信息操作，给搬到了线上
传统的数字化软件，就是有很多复杂的信息查看和交互， 通俗的讲就是需要人去看 点点点
这个过程，其实只是信息处理媒介的变化

而 AI+是数智化 , 把很多需要人为操作的逻辑， 下方给Agent去做
最理想的情况，是人主要提供最原始的意图、创意， 给Agent， Agent就能产出完美结果
Agent也好，harness也好，本质都是控制和约束AI的工程，指向了一个目标： 如何可控的让AI像一个优秀的人类一样干活
一时热门的概念和技术会过时，但本质不会

[Nexus Wang @ZaneBladeBing]

@miles_mazy 程序员容易为了用技术而技术去处理问题， 而不是先洞察业务本身

[Nexus Wang @ZaneBladeBing]

技术再深也会越来越不值钱，因为AI会比任何人都更懂技术， 技术往深度方向挖掘已经没有意义

AI 时代，值钱的技术是稀缺性， 而稀缺性来自于对现实需求的敏锐洞察，从而提出的技术性创意

[Nexus Wang @ZaneBladeBing]

关于Agent的5点开放性构想