top of page

智能代理編程戰 懂人機協作致勝

Jun 23
2 min read

上周把兩個消息放在一起看,很有意思。


第一個,Anthropic宣布Claude Code推出Artifacts,讓軟件工程師在寫程式的過程中,業務主管能同時打開網頁儀表板,就能看到軟件即時更新及開發的狀態。


第二個,中國人民大學和微軟亞洲研究院聯合推出一個叫Arbor開源自主人工智能體的新框架,系統能自動提出假設、修改代碼,運行真實實驗並從結果中學習,自動優化解決問題。


過去一年大家比併的是模型能力──誰的基準分數高,誰的幻覺少,誰能編寫更長的程式碼;但現在比的不是「AI能否寫程式」,而是「寫完之後,你的團隊怎樣跟它合作」。


Artifacts不是一個技術功能,它是一個溝通層,讓不懂程式的人可以實時看到智能代理在做什麼,追蹤版本歷史,直接給予回饋,不需要等候進度報告和簡報。他們自己用了一句話形容:「讓智能代理在沒有人類逐步介入的情況下,透過實驗回饋自主迭代優化。」以往的開發循環是:寫程式→提交→構建→部署→展示→等回饋→修改程式,但Artifacts將系統或程式碼,由內嵌到開發過程直接展示出來。


從管理角度看,公司買了AI工具但回報不明顯,未必是工具不好,而是技術和業務部門之間的資訊斷層沒有被打破。Artifacts解決的就是那個斷層,讓業務方看到智能代理正在做什麼,進度如何,而不是聽工程師說「快了快了」。


另一邊,Arbor的核心是讓智能代理從嘗試失敗中學習,而不是每次都從零開始反覆試錯。曾做過生產環境除錯的人會理解這個痛點:系統出問題,你根本不知道是哪一個改動真的修好了問題,因所有變數都糾纏在一起。但Arbor把這層糾纏面紗拆開,讓智能代理能追蹤「上次改動這個方向,結果是什麼。」


Anthropic選的是橫向(協作),Arbor背後的團隊選的是縱向(自我優化)。短期看Anthropic的用戶體驗更好,長期看Arbor這類技術會讓智能代理愈來愈不需要人類介入。如果你問我,應該選以上哪個人工智能工具,我給的答案從來不是工具名字,而是3個問題。


第一,你的樽頸是程式碼品質還是溝通?如果是工程師寫程式沒問題,但業務需求變來變去、改完又改,你需要的是協作工具(Anthropic這條路線)。如果是程式本身有很漏洞(Bug)、效能不佳,你需要的是優化工具(Arbor這條路線)。


第二,Artifacts讓非技術人員可以看到活生生的開發過程,這件事是好是壞,取決於你的工程師是否習慣被觀看。因不是每個開發者都願意把半成品放在儀表板上讓業務方看。


第三,我最想強調,真正影響回報的是,工具怎麼嵌入團隊的工作習慣。Anthropic Artifacts和Arbor的價值都不在模型,他們賣的是新的框架,「你的團隊工作方式會變得不一樣」。這場程式代理的戰爭才剛開始。最後贏的不會是最強模型,而是誰最懂團隊如何與人工智能協作。

Recent Posts

See All
訓練模型 真人數據無可替代

最近與幾位從事大型語言模型(LLM)開發的朋友談起訓練數據,大家都不約而同提到一個詞:「數據牆」。在互聯網公開的優質文本,大概已經搜刮得七七八八,剩下的要不是垃圾,就是需要付費的,於是整個行業很自然地轉向合成數據──讓模型自己生成材料,再「餵」回自己。 這件事在過去兩年確實有效。寫程式、數學、邏輯推理等領域,這幾類答案對錯分明、可以自動驗證,合成數據幾乎可成為免費、無限的模型訓練材料。但問題也正正

 
 
AI代理監控流程 淪橡皮圖章

上星期整理舊文件時,翻出一份10年前的數據項目批核表。紙上印着幾個格子 ,每個格子都留有簽名的位置:核對、覆核和批准者。當年只覺得手續繁瑣, 今日回頭細看,那張紙其實是一幅責任地圖──每一格都對應着一個人,一旦出 了事,順着簽名便能找到責任所在。 時至今日,表格數碼化及流程自動化了,同一類工作,許多已交由人工智能 (AI)代為處理,唯獨最後那個「批准」的按鈕,仍然要由人來按。然而,真 正的問題是:

 
 
人工智能泡沫破裂 誰來埋單

先說CoreWeave這間美國公司,它在2017年創立,創辦人把手上的顯示卡轉租出去,成為美國最大的「人工智能(AI)雲」之一,今天營運50多個AI數據中心、25萬枚以上圖像處理器(GPU)。簡單來說,其商業模式:借錢買晶片,再把算力租給科技公司。 為什麼CoreWeave是這輪AI基建的寒暑表?因為該公司沒有別的業務,其股價和債券表現就是市場對「算力債務」的信心反映。上周三,股價急跌了15%,債

 
 
bottom of page