W42-对 Agent 和 LLM 的认知迭代

最近投入在 Agentic 相关的技术学习上，对大模型也有一些新的理解。

先推荐这篇Getting AI to Work in Complex Codebases​​， AI Coding 探索了这么久，我把它看作是纲领综述类的文章，会引导团队以此为基础逐渐形成共识。

Agentic 技术的重要性正在凸显。它的意义在于，让我们能真正利用好大模型的“智能”，让模型从“全知”变为“全能”。要能区分两个方向：一是“构建 Agent”，二是“使用 Agent”。以后边界可能会越来越模糊，想做好一件事就要在构建和使用上两位一体，但也需要能区别是在谈构建还是在谈使用。像 AI Coding 我大多看到的是“使用 Agent”，而不是在构建新的智能体。

对 MCP 协议的理解，最初认为它类似 RPC，是服务调用的应用层协议。但现在更倾向于把它看作 TCP 一样的传输层协议。因为 MCP 更多地是模仿传统服务调用的范式，而非为多 Agent 协作而生。真正的应用应该建立在 MCP 之上，通过 Agent 间的总分、调度与编排，构建复杂的策略关系。这才是最大化利用模型能力的方式。Agent 与 Agent 之间不能只是简单调用，而要像 HTTP 之于 TCP 一样，具备更丰富的协议语义，比如协商缓存策略等。因此，未来值得关注的，是 MCP 之上的新一层协议，比如当前正在发展的 Agent2Agent。

不要把大模型当成纯工具去思考。大脑不是硬盘，而是一个网状的神经网络，所有输出都是实时生成的。大模型也一样，它不是数据库，而是一组经过训练得到的参数权重。粗浅的理解，模型尺寸越大，智能水平越高。过去我们的研发体系和交付流程，都是围绕“人”为中心设计的，现在我们需要以大模型为核心，重新思考研发的结构和分工。核心的变化在于，人类的杠杆作用发生了迁移。我们要把注意力集中在 research 与 planning 这两个最高杠杆阶段，把“人类的可维护性”标准前置为“Agent 的可协作性”标准。

同时要认识到大模型的局限，萨顿依然在警示我们并没有逃出 The Bitter Lesson，大模型并不具备真正意义上的智能。它无法像松鼠一样在未知环境中自主探索，也无法生成超出输入知识域的新知识。它能做的，是在既有知识域中展现出规划、推理和决策的能力。