Agent 的挑战：好记忆机制和上下文连接｜图源：零售科学
此外，对于开发者来说，怎么做好强化学习的冷启动数据、怎么定义清晰的奖励（Reward）也很重要。这个奖励背后意味着，当用户表达不清晰时，你怎么把他的需求拆解出来。比如，OpenAI 的 Deep Research 在我问得不清晰时，会先给出四个引导性问题。在和它交互的过程中，我其实也在想清楚自己的需求。
对于今天的用户来说，最主要还是要想怎么清晰地表达需求，以及怎么验收需求。虽然不用做到「以终为始」，但要对好坏有一个大概的预期。我们写 Prompt 也要像写代码一样，有清晰的指令和逻辑，这样能避免很多无效的输出。
李广密：我补充两点。第一，上下文的重要性。我们内部经常讨论，上下文做好了，会有新的支付宝、PayPal 级别的机会。
以前电商看的是成交总额（GMV），以后看的是任务完成率。而任务完成，一边是智能，另一边就是上下文。比如我要做一个个人网站，如果把我的 Notion 笔记、微信数据、邮件数据都提供给 AI，那我的个人网站内容肯定会非常丰富。
第二，自主学习。搭好环境后，Agent 要能迭代，这非常关键。如果不能持续学习迭代，结果就是被模型本身吃掉，因为模型就是一个学习系统。上一波移动互联网，没有做机器学习和推荐的公司都没做大。这一波如果 Agent 做不好端到端的自主学习和迭代，我觉得也做不起来。
08 巨头博弈下，还有哪些变化和机会？张鹏：我们怎么判断未来 Agent 的能力会以一个超级接口的形式出现，还是离散地分布在各个场景里？
钟凯祺 (Cage)：我看到一个比较大的趋势是，第一，肯定是多智能体（Multi-agent）的。即便是完成一个任务，在 Cursor 这类产品里，做代码补全和做单元测试的可能是不同的 Agent，因为它们需要的「性格」和擅长的点不一样。
第二，入口会不会有变化？我觉得入口是一个二阶的问题。首先要发生的是，大家有很多 Agent，并和它们协作。这些 Agent 背后会支撑起一张网络，我称之为「Botnet」。比如未来购物，60% 以上的固定消费可能都由 Agent 帮我完成。
在生产力场景也一样，未来程序员的每日例会可能会被 Agent 之间的协作所取代，由它们推送指标异常和产品开发进展。当这些发生后，入口的变化才可能出现。那个时候，API 的调用也不再主要是人类调用，而是 Agent 之间互相调用。
张鹏：那些有能力的大厂，比如 OpenAI, Anthropic, Google, Microsoft，在 Agent 上都是什么样的决策和行动状态？
李广密：我脑子里一个关键词是「分化」。去年大家都在追赶 GPT-4，但现在能做的事更多了，各家都开始分化。