> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/zh-hant/2025/w42-an-evolving-understanding-of-agents-and-llms.md).

# W42-對 Agent 和 LLM 的認知迭代

最近投入在 Agentic 相關的技術學習上，對大模型也有一些新的理解。

先推薦這篇[Getting AI to Work in Complex Codebases](https://github.com/humanlayer/advanced-context-engineering-for-coding-agents/blob/main/ace-fca.md)​​， AI Coding 探索了這麼久，我把它看作是綱領綜述類的文章，會引導團隊以此為基礎逐漸形成共識。

Agentic 技術的重要性正在凸顯。它的意義在於，讓我們能真正利用好大模型的“智能”，讓模型從“全知”變為“全能”。要能區分兩個方向：一是“構建 Agent”，二是“使用 Agent”。以後邊界可能會越來越模糊，想做好一件事就要在構建和使用上兩位一體，但也需要能區別是在談構建還是在談使用。像 AI Coding 我大多看到的是“使用 Agent”，而不是在構建新的智能體。

對 MCP 協議的理解，最初認為它類似 RPC，是服務調用的應用層協議。但現在更傾向於把它看作 TCP 一樣的傳輸層協議。因為 MCP 更多地是模仿傳統服務調用的範式，而非為多 Agent 協作而生。真正的應用應該建立在 MCP 之上，通過 Agent 間的總分、調度與編排，構建複雜的策略關係。這才是最大化利用模型能力的方式。Agent 與 Agent 之間不能只是簡單調用，而要像 HTTP 之於 TCP 一樣，具備更豐富的協議語義，比如協商緩存策略等。因此，未來值得關注的，是 MCP 之上的新一層協議，比如當前正在發展的 Agent2Agent。

不要把大模型當成純工具去思考。大腦不是硬盤，而是一個網狀的神經網絡，所有輸出都是實時生成的。大模型也一樣，它不是數據庫，而是一組經過訓練得到的參數權重。粗淺的理解，模型尺寸越大，智能水平越高。過去我們的研發體系和交付流程，都是圍繞“人”為中心設計的，現在我們需要以大模型為核心，重新思考研發的結構和分工。核心的變化在於，人類的槓桿作用發生了遷移。我們要把注意力集中在 research 與 planning 這兩個最高槓杆階段，把“人類的可維護性”標準前置為“Agent 的可協作性”標準。

同時要認識到大模型的侷限，薩頓依然在警示我們並沒有逃出 The Bitter Lesson，大模型並不具備真正意義上的智能。它無法像松鼠一樣在未知環境中自主探索，也無法生成超出輸入知識域的新知識。它能做的，是在既有知識域中展現出規劃、推理和決策的能力。