01 欢迎来到未来
AI总结
模型：ChatGPT-5.6 Sol High
Agent 带来的变化，不只是“写代码更快”，而是让软件工程重新把重点放回“如何保证事情最终被做对”上。 整节内容逻辑链：LLM 提升单点任务能力 → Agent 延长反馈回路、持有状态、操作外部世界 → 一个人开始能够承担过去一个团队的工作 → 但系统工程的复杂度并没有消失 → 因此软件工程反而变得更重要。
软件工程研究的：”怎样让工程不失败“
- AI可以加速实现，却不会自动暴露未知、分配责任或验证结果
- 工程的目标是让系统在约束、变化和协作中继续活着
LLM和Agent
LLM：一个概率分布Pr [token|context]
- 反馈回路越来越长
- Context可以成为可写的状态
使用Agents
从”回答问题“到”把事情推进“
- 最小原则：现在开始用、随时询问
- 想象力限制了Agent能够完成的任务
- 先用好、再理解原理 —— 颠覆了计算机中”学习曲线太陡“的问题，学习曲线从”记住每一步“变成”判断结果是否正确“
Agent拥有完整的生态系统 -> Browset Use/Computer Use，应当用插件把浏览器管控起来。
- 让Agent探索页面、理解流程、完成一次任务 -> 让Agent 沉淀成脚本。
- 标准解法：信息源 -> 信息处理 -> 操作。
- 工作流自举：观察操作 -> 发现重复模式 -> 生成自动化 -> 回放验证 -> 人确认 -> 收集新异常
未来已来，Agent未稳
OpenClaw/Hermes预见了这样的未来（全自动工作流），但体验还不够好。Agent可以造出任何东西，包括视频、论文、东西（VibeFab）。
- Q：那么直接让AI造航母？
- A：事实上产品是系统性的工程，任何一个环节都不能缺失、也不能组织不当。
Prompt的差异
- 跑出来，不等于做成：可能可以完成任务，但没办法维护（没有好的软件架构）
- Intent Space / 意图：需求的提出者也不确定100%要什么（”帮我做一个淘宝“？甲方）
- Spec Space / 发出的指令：从Intent到Spec，已经曲解很多
- Impl Space：计算机程序只接受100%无歧义的命令
- （OS：感觉很像传话游戏产生的曲解意思）
- 模型补gap的方法是猜测，尽量快完成任务。但实际上应当先讨论一下，再完成任务。
- 一旦在重大决策犯错，就要用巨大的成本来补（eg. Token、消耗的时间）
- 大模型不会像人一样有重构的意识。
- 当一个产品开始产生slop之后，投入更多的token只会产生更多的失败（耦合、隐含的知识和验证所需的债务）
软件工程所研究的
怎样把一件大事，在人和工具的共同协作下完成。
- 失败 = 软件不满足intent和constraints
- 怎么让工程不失败？ —— 拆解、验证、迭代
Agent在完成单个具体任务上的能力已经无敌，但我们有前所未有的机遇：一个人能像一个团队一样解决现实世界中的问题。