无脑拥抱Agent开发

把最近两个月听到、看到几个事，分享给大家：

湖南长沙某个给政府驻场开发的项目中，全是古法编程、纯手工CRUD，一个在那里的实习了几个月的小朋友担心自己再干去会找不到工作。

国内某家股份制商行、三大运营商某研究院，日常开发都还是在对话式阶段，把模块需求描述给AI，再把AI给出的代码粘到工程中，最先的AI工具不让用，国外工具更是免谈，虽有国企的稳定不卷，员工却担心自己被温水煮青蛙，彻底失去竞争力。

西安一个朋友的公司每月多花几万块钱采购Token，虽然是笔不小的费用，但营收端这两年接到的AI项目越来越多，成本端过去30多人的研发团队现在只需要十几个了，多出来的人要么去跑客户、要么去搞新产品研发、要么就走人。

2026年QCon上，做ColaOS的ListenHub团队讲自己在内部研发时把“PD、设计、开发、测试”这样的传统流水线式变成了领任务的模式，让员工打破传统的角色协同边界，借助AI独立完成工作，最终做到了效率10倍提升，也许他家以后增加开发任务时不需要再加人，买Token就行了。

某一线大厂，公司内部有自己的模型、也给了员工外采Token的费用，研发干活时效率确实有了数量级的提高，可是，创新性的产品还没有见到，员工却更累了：向上，要应对老板，讲故事、讲未来，证明自己团队在AI转型的路上没有落下；向下，要监控产能数据、AI代码占比、Token消耗量，业务如何先不说，自己团队至少不能在数字指标上落后被点名；向前，跟产品经理撕得更厉害，因为大家都知道要创新，但谁都不知道新产品应该长成什么样，可一旦走错方向耽误半年时间拿个差绩效，自己先就走人了；向后，今天前端、后端融合，明天质量团队被拆，每个工种都面临转型AI研发工程师的压力。

一个大三的学生跟我说，网上信息泛滥，一会儿前端已死、一会儿程序员要被AI替代，他不知道自己是把Java坚持学下去？转工资更高的go或离AI更近的Python？还是找个培训班学Agent开发？

看看这个混乱的年代吧。

比混乱更让人难受的是，软件技术领域的供给侧在轰轰烈烈地降本、提效，AI吃掉越来越多人类工作的同时顺便把MiniMax、智谱都送进了恒生科技指数，可我们却看不清需求在哪里。

“屋顶的闪闪星光”聚焦在软件技术人的职业发展，今天就讲需求的增量和我们的方向在哪里。

过去几个月，全世界都在讲卖Token的故事：

三大运营商说自己过去卖语音、卖流量，现在卖数字化解决方案，后面要卖Token。

两个月前阿里巴巴正式宣布成立Alibaba Token Hub(ATH)事业群，CEO 吴泳铭亲自掌舵。

华为、腾讯、阿里、字节、百度这些传统的云计算大厂每家都提供了MaaS服务。

DeepSeek、Kimi、智谱、MinMax等大模型厂商，每家都提供了MaaS服务，它们都在亏损，但市场给出它们的估值都涨到了天上，原因就是投资人笃定未来Token消费会爆炸。

2025年底火山觉得2026年把MaaS服务收入做到过100亿就可以了，后来Seedance 2.0爆火，KPI目标立刻上调了。

做出Claude Code的Anthropic，每年营收都提高一个数量级，2022年1000万美元、2023年1亿美元、2024年10亿美元、2025年90亿美元，市场之所以给出万亿美元估值，原因就是它家爆炸式增长中的每一块美元都是卖Token挣来的，甚至国内一向佛系的DeepSeek也眼红了开始招人组建Harness团队。

现在AI能力很强了，主流AI厂商的火力都集中到了AI Coding方向，把程序员们干得哇哇叫苦，可事实上其它行业的需求很旺盛：

券商投研、量化私募想让大模型帮他们更准确地预测市场。

大型央国企想把采购人力外包做流水线式人工审核的钱降下来。

Boss直聘一边想帮企业客户把JD写得更清楚、另一边想帮蓝领把简历写明白，这样才能增加平台的匹配成功率，把营收做大。

景区想在接到小孩丢失报警时，根据走失时间、地点、身体特征、行速特征自动计算出搜索地点范围，锁定现场巡逻的保安下发通知、圈选出关键的摄像头开始翻查监控记录。

工厂想在巡检时自动提取设备运行情况、识别工人操作是否规范、检查工人服务资质，最终对安全场景做出专业的判断和预警。

大型国有林场一般有几百平方公里的范围，在春秋季干燥时段会频繁收到火警报警，但其实绝大多数都是误报或野外违规用火，林场管理员想在发生火情报警时，自动调度摄像头、无人机做二次确认。

健康险预核保时，想做到自动识别医疗单证信息再结合核保知识分析推理，把人工做预核保的成本、时效都给降下来。

各行各业的需求都很旺盛，可落地起来却很困难。

虽然AI能力越来越强，尤其25年11月之后大模型能力有了质的飞跃，可要把上面这些各行各业的应用场景做出来、做扎实，并不是AI聪明就可以了，还需要把领域专家脑子中的知识提取出来、放到系统中。

比如，银行希望一家企业资金流水出现波动异常或有扩张迹象时，马上把信息推送给信贷经理，安排拜访计划，并在拜访的过程中自动生成沟通纪要存入系统。

这个事情需要熟悉软件系统思维的工程师跟深耕业务多年、有很强判断能力的信贷经理一起合作，把经验从信贷经理的脑子中提取出来，通过向量、DAG、知识图谱等长期记忆工具变成Agent的长期记忆，监控Agent的决策链并确保Agent在按照要求正确工作，再定义一套评测体系对Agent生成结果做质量管控。

上面这些事用AI跑通流程不难，但是在软件技术领域中，demo工程和7*24小时持续不间断服务大量客户的生产系统之间有着巨大的鸿沟：

以前的大学生可以用开源代码堆出来交易系统去参加面试，可阿里一次就双11需要几千个工程师合作。

现在的程序员可以用大模型+向量知识库花几个小时手搓出来智能客服系统，可把智能客服对问题的拦截率从50%提升到90%却是个很难的系统工程。

填补这个鸿沟需要新一代的Agent工程方法论，就像过去20年互联网行已经熟透、几乎烂掉的关键渲染路径优化、资源加载策略、网络传输压缩、React、热点缓存、同步转异步削峰填谷、负载均衡、分布式事务一致性、领域模型设计、微服务拆分等工程方法论一样。

但今天Agent工程研发的方法论远没有成形，原因是：

1、底层模型能力在快速变化

过去4年我们经历了对话式AI、长上下文与工具使用、多模态、“快速直觉”到“慢思考”、架构创新（MLA/MoE）和工程优化大幅降推理低成本、百万token上下文窗口、“多模态拼接”到“原生全模态”等模型能力的爆炸式能力成长。

生产工具的频繁迭代、快速变化占据了资产市场和软件技术领域的焦点，同样一件事，今天的做法到明天就过时了，更难建立起壁垒来。

2、模型应用方法在快速变化

核心架构，从依赖CoT（思维链）、ReAct、Plan-and-Solve等模板做流程编排，到LLM作为“推理引擎”结合Reflexion（反思机制）和树搜索让Agent能自我纠错、探索多条路径。

工具使用，从预设API到Agent根据自然语言描述的功能实时生成代码、自动生成调试工具并完成调用。

记忆机制，从简单会话缓存、向量检索到压缩记忆、三层记忆架构、时间加权记忆。

评估方法，从简单成功率、步骤数、LLM调用次数到鲁棒性、决策链可解释性、推理成本、对抗测试。

开发范式，从提示词工程师到Agent框架标准化、声明式Agent定义。

潜在的需求很旺盛、新一代的方法论还没有彻底成型。

AI把过去的瓶瓶罐罐打得稀巴烂，但也把机会砸在我们面前，就像80年代改革开放、过去20年的互联网一样，老路走到了瓶颈、新路看到了方向但还没有被彻底趟出来。

少数幸运的人已经跳到车上，被带着往前狂奔：

全世界几百名大模型研究员被字节、腾讯、阿里、DeepSeek、Meta、OpenA这些国内外大厂同时在抢，薪资涨到了天上。

头部大厂在数据中心、基模、MaaS这些AI基础设施上砸了几百、上千亿之后，为了推动Token的快速消耗，急吼吼地招人组建起FDE团队教客户怎么用好AI。

几周前，有个在大厂待了两年的同学找我咨询，他手里有两个机会，大厂内部活水到新部门做Agent研发、跟朋友合作创业做高端制造业的Agent开发。

当时我讲了一个观点，单纯从Agent研发经验积累的角度来说，在大厂和去创业没有什么区别。

大模型时代来临之前，只有在大厂才有机会体验到软件技术领域的复杂场景、前沿问题，学习到最先进的工程方法论。

大模型时间来临之后，由精英领导的创业公司不但在技术上没有劣势，还可以灵活地升级自己的组织形式，用合适的生产关系适配最先进的AI能力，就像前文提到的ListenHub一样。

反而在大厂中，人与人之间层级分明、边界清晰，部门利益、个人利益划分得清清楚楚，谁想推动组织转型都要砸掉一片人的饭碗，即使这套组织不适合当下最先进的生产力，里面的人也会死死咬住末班车，直到大厦倾倒的那一刻。

可以很确定地说，AI作为一种新生产力在大跃进式的向前发展，技术前沿的中小企业和传统软件技术巨头们几乎站在同一条起跑线。

接下来我们将会看到：软件产品的应用边界越来越大、研发成本越来越低，市场上各类创业公司涌现并占坑、划地盘，各行业的领域专家跟掌握了最前沿AI应用能力的软件技术人联合起来，在消费、金融、教育、医疗、交通、物流、农牧、安防、装备制造等各个领域开发出无穷无尽的Agent。

Agent开发，是软件技术人未来几年最大的机会。

当前正处在市场上Agent开发人才供小于求的窗口期，利用好AI工具、掌握新一代的软件工程方法论、做出能解决客户问题的生产级Agent，实现传统的前、后、测工程研发岗位向Agent研发岗位转型，是中国市场一千万新老程序员们最大的政治正确。