Agent 期间惠州管道保温施工队，究竟需要什么样的基础设施？

港大助理耕种黄给出的谜底是：不是让 Agent 不休地妥贴东说念主，而是为 Agent 从头瞎想数字天下。

在 2026 AIGC 产业峰会上，黄系统梳理了他往时两年多围绕 AI Agent 的念念考与实践。

他的团队作念的件事，是把 Agent 作念"轻"作念"薄"。

看到 OpenClaw 发布时有 43 万行代码（当今曾经过 100 万行），他们反治其身，用轻量化的式开源了通用 Agent ——nanobot。

结果柔和度远预期，一语气 100 天日迭代，下载量破裂 20 万次，被 DeepSeek 荐为寰球 15 个 Agent 之，曾经登上 OpenRouter 平台通用 Agent 榜单四名。

但轻量仅仅来源。

接下来他们指标用 nanobot 挑战复杂的长程任务，考据 Agent 在真的坐褥环境中的捏续履行才能。

这里的长程任务不仅指运行时分长，缺陷是任务链路复杂——需要跨越多个软件生态、调用异构用具组合，条目 Agent 具备跨域协肃清捏续方案的详细才能。

这反应了他们对 Agent 才能界限的度念念考：真的的坐褥力 Agent 不成只停留在对话和代码生成，而要大致慎重操控复杂软件生态，在动态环境中自我进化，并在集群相助中创造价值。

基于将 Agent 从" AI 助手"升为"数字劳能源"的愿景，他们建议了CLI-Anything。

其中枢瞻念察是：与其让 Agent 繁忙学习东说念主类界面，不如让软件原生赞成 Agent 言语。

通过将业软件从头包装为号令行接口，Agent 大致径直驱动 3D 建模、瞎想用具、多媒体裁剪等原来需要东说念主类宽敞学习本钱的复杂哄骗。

黄认为，比较 GUI，CLI 可能才是真的 AI 原生的 Computer Use 式。这不是时间弃取，而是交互范式的根底重构——从让 AI 妥贴东说念主类用具，转向让数字天下说 AI 的言语。

除了 Agent-native 接口这基础设施，他们团队雷同心疼 Agent 自进化才能的构建。毕竟，仅有好的接口还不够，Agent 还需要在使用过程中捏续学习和自我化。

黄指出，现时自进化连系主要分为 Internal 和 External 两个向。

Internal 模式注于化 Agent 内核——升框架、退换参数、改造理链路，但这种内向型进化时时困于特定场景，难以达成真的的跨域转移。

比较之下，External 模式选拔妙技累积战术，通过连接推论和化用具库，逐步构建具有协同应的 Agent 生态。

这种外向型进化妥贴"从头瞎想数字天下"的理念——不是让单个 Agent 变得贤人，而是让统共这个词 Agent 收集变得高大。

为考据这种协同进化模式的可行，他们瞎想了个 AI 自动化科研实验：让 8 个 Agent 和洽 8 张 H100 卡进行分散式模子查验。

实验结果确认，在合理的任务分发架构下，Agent 集群如实大致著擢升坐褥率。

但当他们逾越推广 Agent 范围时，边缘收益开动递减，致使出现和洽支拨过能增益的临界点。

这证明 Agent Swarm 的 Scaling Law 远比想象中复杂，可能存在个的临界范围，过这个阈值反而会产生负收益。

怎样找到这个均衡点，仍然是从头瞎想 Agent 相助生态的中枢挑战。

为了齐备体现黄的念念考，在不更变快活的基础上，量子位对演讲内容进行了裁剪整理，但愿能给你带来多启发。

2026 AIGC 产业峰会是由量子位掌握的行业峰会，近 20 位产业代表与会接头。线下参会不雅众千东说念主，线上直播不雅众近 400 万，获取了主流媒体的平凡柔和与报说念。

中枢不雅点梳理

Agent 的中枢架构本质上是个雅的 ReAct 轮回：通过 reasoning 进行任务谋略，action 履行具体用具调用，然后基于环境 feedback 退换战术。通用 Agent 的才能并非全来自复杂的架构瞎想，而是来自理、履行、反馈这基本看法轮回的有达成。

ReAct 架构的泛化源自其模块化解耦：reasoning 处理抽象理，action 认真具体履行，observation 提供环境反馈。Agent 面对新任务时，通过重组已有的理战术和行为原语来妥贴新环境，达成真的的跨域泛化才能。

长程任务的本质挑战不在于履行时分，而在于复杂的指数增长。告成的 Agent 不是避特别，而是预期特别并达成雅降，大致主动瞎想、捏续监控和动态化统共这个词履行过程，这恰是将 AI 助手升为强坐褥力相助者的中枢场合。

Agent 需要 learning from real tasks，在特别中连接学习、感知我方错在那处，才能真的省俭 Token 本钱。这揭示了个中枢矛盾：连系 Agent 时时注于探索才能上界，却忽略了 Token 自身即是履行本钱拘谨。

面向 Computer Use Agent，GUI 模式支拨大、准确度也受限，CLI 可能是通用 Agent 进行 computer use 的软件交互式。

Agent 自进化可通过 workflow 化、skill 千里淀和模子参数调几条阶梯进，其中基于 skill 的进化范式展现出强的泛化，但在 Tool-Use 层面仍面对中枢挑战。

以下为黄演讲全文：

Agent 架构大路至简

今天相配红运大致在这里有次契机跟大去作念次共享，大好，我叫黄。

Agent=Model+Harness，如今 harness 已成为 Agent 生态的缺陷环。

Agent 的举座架构其实并不认真，本质即是个 ReAct 框架：Reasoning 作念谋略→ Action 调用用具→ Observation 获取反馈，统共这个词即是个 while 轮回。

基于这个框架惠州管道保温施工队，咱们开源了通用 Agent ——nanobot。

那时看到 OpenClaw 发布时有 43 万行代码，咱们相识到通用 Agent 的中枢时间其实不需要那么复杂。

nanobot 的初志是但愿以轻量化的式将 Agent 时间灵通给社区，既能便开采者进行二次开采，也可以算作学习 Agent 时间的初学。

没猜测 nanobot 收到了出预期的柔和，咱们坚捏了一语气 100 天的日迭代，连接整合社区在各个场景下的反馈和需求。

面前下载量已过 20 万次，很红运被 DeepSeek 选为寰球 15 个荐 Agent 之，曾经在 OpenRouter 平台的通用 Agent 榜单中排到四名。

这个过程也体现 Agent 系统瞎想的大路至简的玄学：许多缺陷时间的破裂也来自将复杂问题简单化。现时 Agent 的些时间难点也在通过精巧的瞎想被逐步化解。

有了通用 Agent 后，下步挑战是将其勤俭单的 AI 助手升为 AI 强坐褥力用具。

面前 Agent 固然了宽敞 token，但履行能很好落地的任务仍局限在 coding 和 research 等少数场景。

当下 Agent 所面对的些中枢挑战：

，长程任务的鲁棒：长程任务的难点不在于时分长或设施多，而在于场景的复杂和各样。在丰富的用具调用场景中，任何步特别都可能致举座失败，这需要强的 harness 瞎想来保险任务的一语气。

二，从特别中学习的自进化才能：Agent 需要达成 learning from real task，在失败中识别特别模式并化战术。这不仅能擢升告成率，进击的是能著裁减 token 破钞。

现时大都在探索 Agent 的能上界，却忽略了本钱范例。

改日的 Agent 必须达成"自夸盈亏"——在追求才能界限的同期，考虑 token 经济。真的的破裂将来自于在复杂任务中保捏告成率的同期，大幅裁减筹算本钱。

三，设备保温施工捏续环境与高下文对皆。

简单的 sandbox 曾经不够了，Agent 需要个齐备的筹算环境—文献系统、数据存储、交互界面这些都得有。当今 sandbox 每次新建 loop 就重置，对长程任务很不友好。

Human-Agent 对皆也存在现实问题。如若咱们能写出珍视的文档，告诉 Agent 在什么情况下调用什么用具（比如数值到 7.5 时作念什么），Agent 干活质料挺好。但现实中谁能写出这么的文档？

中枢难题在于，东说念主都很懒，怎样在有限的交互中让 Agent 领会咱们的真的意图。这不仅仅时间问题，是怎样瞎想交互——用少的疏导，传递准确的高下文。

Agent harness 需要贤人的环境照应，也要会"读懂"东说念主的情理，而不是指望东说念主类提供的任务描画。

咱们用 nanobot 开采了款齐备的马里奥游戏，来考据 Agent 在长程任务中的浮现。这个过程领会了个缺陷问题：Agent 需要在每步都作念好测试和 evaluation，才能保证统共这个词历程的可靠。

ToC vs ToB 的容错各别很明。ToC 场景用户对精度容忍度较，但 ToB 对 Agent 的寄托才能条目其严格。这意味着面向企业的 Agent 必须具备坐褥的踏实和准确。

从游戏开采这么的复杂软件工程中可以看出，真的具备坐褥力的 Agent 不仅要能写代码，要能作念系统的测试、调试和迭代。这种端到端的才能才是 Agent 从"玩物"向"用具"挪动的缺陷。

从效法东说念主类到原生交互：CLI 像是 Agent 的母语

要让 Agent 从助手升为真的的 AI 坐褥力用具，仅有 Agent 本色是不够的，缺陷在于构建套 Agent-native 的软件交互生态。

咱们的普通使命度依赖 Office 套件、瞎想软件、3D 建模用具等业哄骗，但现存的通用 Agent 很难与这些软件建筑有一语气。

往时几年，Computer Use 主要依赖 GUI 旅途——让 Agent 效法东说念主类的视觉感知和鼠标操作。有关词这种"拟东说念主化"案存在两个根底劣势：

是本钱过（每次交互都需要处理复杂的多模态输入链），二是可靠受限（基于多模态分析的像素的，对当下 AI 来说自身即是挑战）。

问题的中枢在于，GUI 是为东说念主类看法模式瞎想的交互言语，强制 Agent 去适配东说念主类界面，本质上是种"刖趾适屦"的息争。

真的的破裂可能需要咱们从头念念考交互范式——不是教会 Agent 使用东说念主类用具，而是为 Agent 从头界说数字天下的交互契约。

与其让 Agent 学会用鼠标，不如让软件学会说 Agent 的言语——CLI 可能是 Agent-native 的 Computer Use 式。

咱们反念念了个问题：为什么定要让 AI 像东说念主样操作界面？ AI 可以有我方的交互模式。

是以咱们作念了CLI Anything，把各式软件包装成号令行接口，让 Agent 径直通过 CLI 操作，而不是繁忙模拟东说念主类。

当今CLI Hub上曾经有 80 个软件，31 个分类。咱们合计改日软件使用应该是 CLI+GUI 的搀杂模式：Agent 通过 CLI 完成复杂任务，东说念主类通过 GUI 享受直不雅体验。

想想看，Agent 径直用号令行操作 3D 建模、瞎想软件这些业用具，用户无须学复杂软件，开采者也无须写堆 API 文档。

这种单干合理—同个软件，给 AI 提供 CLI 接口干活，给东说念主类提供 GUI 界面享受，各私用允洽的式，这才是真的的 AI-native 架构。

Agent 怎样我方变强：skill 进化与 Swarm 实验

刚才讲了生态中的软件操作，接下来说说自进化。

为什么 Agent 需要自进化？因为咱们但愿它在复杂任务中能总结训诫、千里淀价值信息。

面前有三种自进化阶梯：

妥贴环境：迭代 workflow 和 harness；

妙技千里淀：把训诫总结成可复用的 skill（就像东说念主学新东西，生物特征没变，但训诫丰富了）；

参数新：把 Agentic 任务的才能通过 reward 学到模子参数里。

和三种阶梯都有泛化差的问题——针对特定场景进化的 Agent 很难复用到其他地。

是以咱们弃取二种阶梯，作念了 Open Space 来达成 skill-based 的 Agent 自进化。但现实中基于 skill 的进化也面对几个中枢挑战：

，质料 skill 稀缺；

二，匹配坚苦——比如作念量化交往，skill 库里有市集、股票、市集、二市集各式粒度，到底该选哪个？

三，粒度照应复杂——不同层的 skill 怎样有组织和检索。

从 MCP 演进到 skill，这些根底问题并莫得处理。咱们但愿鉴戒 wiki 的检索机制来照应 skill，处理多粒度匹配的挑战，这么才能达成真的有的自进化。

咱们在来自 44 个行业、共 220 个任务上测试了 Agent 进化前后的分散，发现 token 破钞著减少，任务完成度明擢升。

进击的是，Agent 能通过学习大幅裁减我方的运行本钱。

接下来咱们作念了个踊跃的实验：

用 8 个 Agent 调用 8 张 H100 卡，去查验个大言语模子。23 小时内模子能擢升了 6，使命量极度于咱们组个博士 3 周的活。

这个实验考据了 Agent Swarm 的可行，但发现缺陷瞻念察：3-5 个 Agent 就够了，多不见得好。面前行业还没摸清 Agent 数目的 scaling law。

当下除了 coding，许多 Agent Swarm 场景缺少有的质料考据，咱们很难判断确立。

缺陷问题不是堆数目，而是在特定任务复杂度下，需要若干 Agent 以及怎样单干。

与东说念主类团队不同，Agent 相助本钱低、疏导延伸险些为，这可能从头界说团队范围。

但 paradox 是：疏导本钱表面上赞成大范围相助，履行果却可能在小范围达到峰值。

这示意 Agent 相助的瓶颈不在疏导，而在职务领悟、冲突和洽的复杂度、高下文对皆，以及每个设施的考据。Agent 越多，这些隐本钱可能呈指数增长。

还有个情理情剃头现：学生们在 vibe coding 时，会把 Agent 集群的协同过程可视化——任务分发、完成、交互全历程都能看到。

这不仅仅炫技，而是在碎屑化的使命时分里提供厚谊价值，让恭候变快情理情理。

咱们作念了 AI researcher Agent 来赋能科研。中枢价值很明确：如若以前周只可试错种算法，当今周能试几十种。

科研本质即是试错和信息有关，Agent 能大幅加快这个过程，极度是帮生手快速梳理域信息。

但缺陷挑战在于怎样探索出质料的科研效果。科研的质料考据时时也很挑战，因为真的有价值的科研发现可能需要几个月致使几年才能被考据。

这带来个悖论：Agent 能加快试错，但法加快考据。咱们可能堕入"快速产出低质料假定"的罗网，而不是"入探索质料瞻念察"。

这即是咱们统共这个词 Agent 生态的布局：从 nanobot 单体 Agent，到 computer use、Agent 协同和自进化，咱们但愿能破裂现存 Agent 的界限。

改日 Agent 的价值不单在于单点破裂，而在于统共这个词生态协同。

后感谢我的团队，说真话有莫得我算作师，他们都能作念得可以。Credit 也应该给到团队的小伙伴们在开源格式上的捏续迭代。

也很感谢统共这个词开源社区的小伙伴们，面前 AI Agent 许多时间还处在百花皆放的阶段，开源时时大致让大好地起探索时间界限，避各自闭门觅句。

键三连「点赞」「转发」「注重心」

迎接在驳倒区留住你的主见！

—  完  —

千东说念干线下参与、数百万不雅众在线不雅看的 AIGC 产业峰会实录来了！

近 20 位 AI 实战派怎样看 Agent、多模态、哄骗、算力 ...  一说念干货，总结   � �

键柔和 � � 点亮星标

科技前沿进展逐日见

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》惠州管道保温施工队，以此来变相勒索商家索要赔偿的违法恶意行为。