看完卡兹克这篇文章，我最大的感受就是：很多人还在研究怎么让 Agent 更聪明，真正走在前面的人，已经开始研究怎么让 Agent 自己干活、自己协作，甚至自… · @UPing123zzz · TwKit

@UPing123zzz

看完卡兹克这篇文章，我最大的感受就是：很多人还在研究怎么让 Agent 更聪明，真正走在前面的人，已经开始研究怎么让 Agent 自己干活、自己协作，甚至自己维护整个系统了。 我自己也一直在折腾 Codex、Claude Code、各种 Skill 和 Workflow，前段时间还把卡兹克开源的 AI HOT 部署到了自己的机器上。之前一直觉得，能让 AI 自动写代码、自动执行任务、多个 Agent 同时协作，就已经很牛逼了。 但看完他这一整套运行了近一年的自动化系统，我发现自己之前的理解还是浅了。 他真正做的不是简单地把几个 Agent 拼在一起，而是把任务触发、调度、执行、代码审查、测试、部署、线上验证，甚至人类审批，都串成了一套完整的系统。 GitHub 出现问题、线上服务报错、用户提交反馈，不需要每次都等人发现、打开聊天框、写提示词。系统可以自动接收事件，分配给对应的 Agent，执行完再经过 CI 检查，只有涉及重要决策的时候才找人。 这让我意识到一个特别重要的区别：以前是人负责推动工作，AI 负责执行；现在开始变成系统负责推动工作，人负责判断方向和控制风险。 这两者完全不是一个层面的东西。 而且这里真正难的，也不是模型有多强，而是任务状态怎么管理、失败怎么重试、重复执行怎么避免、代码质量怎么保证、出了问题怎么回滚。 这些才是真正的工程能力。 未来 AI 工程师的竞争力，可能不只是会不会调用模型、写几个 Agent、搭几个 Workflow，而是能不能把这些东西真正组织成一套持续运行、可靠交付、产生业务价值的系统。 以前我们学习的是怎么使用 AI，接下来更值得学习的是怎么设计一个能够持续工作的 AI 系统。

曝光 528 · 评论 0 · 点赞 3 · 书签 4