看完这张 Agentic AI 全景图，我有个越来越强烈的感觉： 现在最不缺的就是会搭 Agent 的人，最缺的是敢把 Agent 交给客户长期使用的人。 … · @UPing123zzz · TwKit

@UPing123zzz

看完这张 Agentic AI 全景图，我有个越来越强烈的感觉： 现在最不缺的就是会搭 Agent 的人，最缺的是敢把 Agent 交给客户长期使用的人。 你看这张图，LangGraph、CrewAI、MCP、Multi-Agent、RAG、Memory……各种框架、协议、架构，密密麻麻。 但我觉得最值得看的，反而是右下角那几个不起眼的指标：任务成功率、单任务成本、延迟、人工接管率、工具调用准确率。 为什么？因为现在做一个 Agent Demo 真的越来越简单了。 用 Codex 写点代码，接几个 MCP，配几个 Skills，一个能自主调用工具、执行任务的 Agent 很快就能跑起来。 发到 X 上，录个演示视频，看着确实牛逼。 但你真把它放到企业里，完全是另一回事。 最近自己在折腾企业 RAG、GEO 和视频自动化，感受越来越深。 模型能生成内容不难，难的是生成的内容到底对不对。Agent 能调用工具不难，难的是调用错了怎么办。 RAG 能检索知识不难，难的是权限隔离、过期知识、证据冲突怎么处理。 工作流能跑通不难，难的是跑到一半失败，能不能恢复，能不能追踪，能不能保证下一次不再犯同样的错误。 还有成本，一个 Agent 跑一次花几毛钱，跑一万次呢？多 Agent 来回通信，Token 消耗到底值不值？ 这些问题，做 Demo 的时候完全可以忽略。但真正做商业交付，一个都绕不过去。 所以我现在越来越反感单纯拿框架数量衡量技术能力。 会 LangGraph不代表你懂 Agent 架构。 接了几十个 MCP不代表你做出了可靠的系统。 用 Codex 一天写出几万行代码，也不代表这些代码经得起生产环境的考验。 很多场景明明一个 Workflow 就能解决，非要弄成 Multi-Agent，最后除了复杂度和 Token 消耗，什么都没增加。 AI 正在把写代码、搭系统的门槛不断拉低。但需求理解、架构取舍、评测、安全和真实交付，并不会因为模型越来越强就自动消失。 我觉得这也是 FDE 这类岗位真正有价值的地方。 客户不关心你用了多少先进框架，客户只关心你的东西能不能解决问题，出了问题能不能找到原因，明天还能不能稳定运行。 以前比的是谁能把软件写出来，现在越来越要比，谁敢为 AI 跑出来的结果负责。 能跑起来只是起点，能在真实业务里长期跑下去才是真本事。

曝光 348 · 评论 2 · 点赞 4 · 书签 2