編輯部 整理自 2026中國(guó)AIGC產(chǎn)業(yè)峰會(huì)
量子位 | 公眾號(hào) QbitAI

Agent時(shí)代，究竟需要什么樣的基礎(chǔ)設(shè)施？

港大助理教授黃超給出的答案是：不是讓Agent不停地適應(yīng)人，而是為Agent重新設(shè)計(jì)數(shù)字世界。

在2026中國(guó)AIGC產(chǎn)業(yè)峰會(huì)上，黃超系統(tǒng)梳理了他過(guò)去兩年多圍繞AI Agent的思考與實(shí)踐。

他的團(tuán)隊(duì)做的第一件事，是把Agent做“輕”做“薄”。

看到OpenClaw發(fā)布時(shí)有43萬(wàn)行代碼（現(xiàn)在已經(jīng)超過(guò)100萬(wàn)行），他們反其道而行之，用最輕量化的方式開(kāi)源了通用Agent——nanobot。

結(jié)果關(guān)注度遠(yuǎn)超預(yù)期，連續(xù)100天日更迭代，下載量突破20萬(wàn)次，被DeepSeek推薦為全球15個(gè)Agent之一，也曾登上OpenRouter平臺(tái)通用Agent榜單第四名。

但輕量只是起點(diǎn)。

接下來(lái)他們計(jì)劃用nanobot挑戰(zhàn)更復(fù)雜的長(zhǎng)程任務(wù)，驗(yàn)證Agent在真實(shí)生產(chǎn)環(huán)境中的持續(xù)執(zhí)行能力。

這里的長(zhǎng)程任務(wù)不僅指運(yùn)行時(shí)間長(zhǎng)，更關(guān)鍵是任務(wù)鏈路復(fù)雜——需要跨越多個(gè)軟件生態(tài)、調(diào)用異構(gòu)工具組合，要求Agent具備跨領(lǐng)域協(xié)調(diào)和持續(xù)決策的綜合能力。

這反映了他們對(duì)Agent能力邊界的深度思考：真正的生產(chǎn)力Agent不能只停留在對(duì)話和代碼生成，而要能夠熟練操控復(fù)雜軟件生態(tài)，在動(dòng)態(tài)環(huán)境中自我進(jìn)化，并在集群協(xié)作中創(chuàng)造價(jià)值。

基于將Agent從“AI助手”升級(jí)為“數(shù)字勞動(dòng)力”的愿景，他們提出了CLI-Anything。

其核心洞察是：與其讓Agent費(fèi)力學(xué)習(xí)人類界面，不如讓軟件原生支持Agent語(yǔ)言。

通過(guò)將專業(yè)軟件重新包裝為命令行接口，Agent能夠直接驅(qū)動(dòng)3D建模、設(shè)計(jì)工具、多媒體編輯等原本需要人類大量學(xué)習(xí)成本的復(fù)雜應(yīng)用。

黃超認(rèn)為，相比GUI，CLI可能才是真正AI原生的Computer Use方式。這不是技術(shù)選擇，而是交互范式的根本重構(gòu)——從讓AI適應(yīng)人類工具，轉(zhuǎn)向讓數(shù)字世界說(shuō)AI的語(yǔ)言。

除了Agent-native接口這一基礎(chǔ)設(shè)施，他們團(tuán)隊(duì)同樣重視Agent自進(jìn)化能力的構(gòu)建。畢竟，僅有好的接口還不夠，Agent還需要在使用過(guò)程中持續(xù)學(xué)習(xí)和自我優(yōu)化。

黃超指出，當(dāng)前自進(jìn)化研究主要分為Internal和External兩個(gè)方向。

Internal模式專注于優(yōu)化Agent內(nèi)核——升級(jí)框架、調(diào)整參數(shù)、改進(jìn)推理鏈路，但這種內(nèi)向型進(jìn)化往往困于特定場(chǎng)景，難以實(shí)現(xiàn)真正的跨域遷移。

相比之下，External模式采用技能積累策略，通過(guò)不斷擴(kuò)充和優(yōu)化工具庫(kù)，逐步構(gòu)建具有協(xié)同效應(yīng)的Agent生態(tài)。

這種外向型進(jìn)化更符合”重新設(shè)計(jì)數(shù)字世界”的理念——不是讓單個(gè)Agent變得更聰明，而是讓整個(gè)Agent網(wǎng)絡(luò)變得更強(qiáng)大。

為驗(yàn)證這種協(xié)同進(jìn)化模式的可行性，他們?cè)O(shè)計(jì)了一個(gè)AI自動(dòng)化科研實(shí)驗(yàn)：讓8個(gè)Agent協(xié)調(diào)8張H100顯卡進(jìn)行分布式模型訓(xùn)練。

實(shí)驗(yàn)結(jié)果證實(shí)，在合理的任務(wù)分發(fā)架構(gòu)下，Agent集群確實(shí)能夠顯著提升生產(chǎn)效率。

但當(dāng)他們進(jìn)一步擴(kuò)展Agent規(guī)模時(shí)，邊際收益開(kāi)始遞減，甚至出現(xiàn)協(xié)調(diào)開(kāi)銷超過(guò)性能增益的臨界點(diǎn)。

這說(shuō)明Agent Swarm的Scaling Law遠(yuǎn)比想象中復(fù)雜，可能存在一個(gè)最優(yōu)的臨界規(guī)模，超過(guò)這個(gè)閾值反而會(huì)產(chǎn)生負(fù)收益。

如何找到這個(gè)平衡點(diǎn)，仍然是重新設(shè)計(jì)Agent協(xié)作生態(tài)的核心挑戰(zhàn)。

為了完整體現(xiàn)黃超的思考，在不改變?cè)獾幕A(chǔ)上，量子位對(duì)演講內(nèi)容進(jìn)行了編輯整理，希望能給你帶來(lái)更多啟發(fā)。

2026中國(guó)AIGC產(chǎn)業(yè)峰會(huì)是由量子位主辦的行業(yè)峰會(huì)，近20位產(chǎn)業(yè)代表與會(huì)討論。線下參會(huì)觀眾超千人，線上直播觀眾近400萬(wàn)，獲得了主流媒體的廣泛關(guān)注與報(bào)道。

核心觀點(diǎn)梳理

• Agent的核心架構(gòu)本質(zhì)上是一個(gè)優(yōu)雅的ReAct循環(huán)：通過(guò)reasoning進(jìn)行任務(wù)規(guī)劃，action執(zhí)行具體工具調(diào)用，然后基于環(huán)境feedback調(diào)整策略。通用Agent的能力并非全來(lái)自復(fù)雜的架構(gòu)設(shè)計(jì)，而是來(lái)自推理、執(zhí)行、反饋這一基本認(rèn)知循環(huán)的有效實(shí)現(xiàn)。
• ReAct架構(gòu)的泛化性源自其模塊化解耦：reasoning處理抽象推理，action負(fù)責(zé)具體執(zhí)行，observation提供環(huán)境反饋。Agent面對(duì)新任務(wù)時(shí)，通過(guò)重組已有的推理策略和行動(dòng)原語(yǔ)來(lái)適應(yīng)新環(huán)境，實(shí)現(xiàn)真正的跨域泛化能力。
• 長(zhǎng)程任務(wù)的本質(zhì)挑戰(zhàn)不在于執(zhí)行時(shí)間，而在于復(fù)雜性的指數(shù)級(jí)增長(zhǎng)。成功的Agent不是避免錯(cuò)誤，而是預(yù)期錯(cuò)誤并實(shí)現(xiàn)優(yōu)雅降級(jí)，能夠主動(dòng)設(shè)計(jì)、持續(xù)監(jiān)控和動(dòng)態(tài)優(yōu)化整個(gè)執(zhí)行過(guò)程，這正是將AI助手升級(jí)為強(qiáng)生產(chǎn)力協(xié)作者的核心所在。
• Agent需要learning from real tasks，在錯(cuò)誤中不斷學(xué)習(xí)、感知自己錯(cuò)在哪里，才能真正節(jié)約Token成本。這揭示了一個(gè)核心矛盾：研究Agent往往專注于探索能力上界，卻忽略了Token本身就是實(shí)際成本約束
• 面向Computer Use Agent，GUI模式開(kāi)銷大、準(zhǔn)確度也受限，CLI可能是通用Agent進(jìn)行computer use更優(yōu)的軟件交互方式
• Agent自進(jìn)化可通過(guò)workflow優(yōu)化、skill沉淀和模型參數(shù)調(diào)優(yōu)幾條路線推進(jìn)，其中基于skill的進(jìn)化范式展現(xiàn)出最強(qiáng)的泛化性，但在Tool-Use層面仍面臨核心挑戰(zhàn)。

以下為黃超演講全文：

Agent架構(gòu)大道至簡(jiǎn)

今天非常榮幸能夠在這里有一次機(jī)會(huì)跟大家去做一次分享，大家好，我叫黃超。

Agent=Model+Harness，如今harness已成為Agent生態(tài)的關(guān)鍵一環(huán)。

Agent的整體架構(gòu)其實(shí)并不負(fù)責(zé)，本質(zhì)就是一個(gè)ReAct框架：Reasoning做規(guī)劃→Action調(diào)用工具→Observation獲取反饋，整個(gè)就是一個(gè)while循環(huán)。

基于這個(gè)框架，我們開(kāi)源了通用Agent——nanobot。

當(dāng)時(shí)看到OpenClaw發(fā)布時(shí)有43萬(wàn)行代碼，我們意識(shí)到通用Agent的核心技術(shù)其實(shí)不需要那么復(fù)雜。

nanobot的初衷是希望以最輕量化的方式將Agent技術(shù)開(kāi)放給社區(qū)，既能方便開(kāi)發(fā)者進(jìn)行二次開(kāi)發(fā)，也可以作為學(xué)習(xí)Agent技術(shù)的入門。

沒(méi)想到nanobot收到了超出預(yù)期的關(guān)注，我們堅(jiān)持了連續(xù)100天的日更迭代，不斷整合社區(qū)在各個(gè)場(chǎng)景下的反饋和需求。

目前下載量已超過(guò)20萬(wàn)次，很榮幸被DeepSeek選為全球15個(gè)推薦Agent之一，也曾在OpenRouter平臺(tái)的通用Agent榜單中排到第四名。

這個(gè)過(guò)程也體現(xiàn)Agent系統(tǒng)設(shè)計(jì)的大道至簡(jiǎn)的哲學(xué)：很多關(guān)鍵技術(shù)的突破也來(lái)自將復(fù)雜問(wèn)題簡(jiǎn)單化。當(dāng)前Agent的一些技術(shù)難點(diǎn)也在通過(guò)巧妙的設(shè)計(jì)被逐步化解。

有了通用Agent后，下一步挑戰(zhàn)是將其從簡(jiǎn)單的AI助手升級(jí)為AI強(qiáng)生產(chǎn)力工具。

目前Agent雖然燒了大量token，但實(shí)際能很好落地的任務(wù)仍局限在coding和research等少數(shù)場(chǎng)景。

當(dāng)下Agent所面臨的一些核心挑戰(zhàn)：

第一，長(zhǎng)程任務(wù)的魯棒性：長(zhǎng)程任務(wù)的難點(diǎn)不在于時(shí)間長(zhǎng)或步驟多，而在于場(chǎng)景的復(fù)雜性和多樣性。在豐富的工具調(diào)用場(chǎng)景中，任何一步錯(cuò)誤都可能導(dǎo)致整體失敗，這需要更強(qiáng)的harness設(shè)計(jì)來(lái)保障任務(wù)的連續(xù)性。

第二，從錯(cuò)誤中學(xué)習(xí)的自進(jìn)化能力：Agent需要實(shí)現(xiàn)learning from real task，在失敗中識(shí)別錯(cuò)誤模式并優(yōu)化策略。這不僅能提升成功率，更重要的是能顯著降低token消耗。

當(dāng)前大家都在探索Agent的性能上界，卻忽略了成本控制。

未來(lái)的Agent必須實(shí)現(xiàn)“自負(fù)盈虧”——在追求能力邊界的同時(shí)，考慮token經(jīng)濟(jì)性。真正的突破將來(lái)自于在復(fù)雜任務(wù)中保持高成功率的同時(shí)，大幅降低計(jì)算成本。

第三，持續(xù)性環(huán)境與上下文對(duì)齊。

簡(jiǎn)單的sandbox已經(jīng)不夠了，Agent需要一個(gè)完整的計(jì)算環(huán)境—文件系統(tǒng)、數(shù)據(jù)存儲(chǔ)、交互界面這些都得有。現(xiàn)在sandbox每次新建loop就重置，對(duì)長(zhǎng)程任務(wù)很不友好。

Human-Agent對(duì)齊也存在現(xiàn)實(shí)問(wèn)題。如果我們能寫出超詳細(xì)的文檔，告訴Agent在什么情況下調(diào)用什么工具（比如數(shù)值到7.5時(shí)做什么），Agent干活質(zhì)量挺好。但現(xiàn)實(shí)中誰(shuí)能寫出這樣的文檔？

核心難題在于，人都很懶，怎么在有限的交互中讓Agent理解我們的真實(shí)意圖。這不只是技術(shù)問(wèn)題，更是怎么設(shè)計(jì)交互——用最少的溝通，傳遞最準(zhǔn)確的上下文。

Agent harness需要更聰明的環(huán)境管理，也要更會(huì)“讀懂”人的意思，而不是指望人類提供完美的任務(wù)描述。

我們用nanobot開(kāi)發(fā)了一款完整的馬里奧游戲，來(lái)驗(yàn)證Agent在長(zhǎng)程任務(wù)中的表現(xiàn)。這個(gè)過(guò)程暴露了一個(gè)關(guān)鍵問(wèn)題：Agent需要在每一步都做好測(cè)試和evaluation，才能保證整個(gè)流程的可靠性。

ToC vs ToB的容錯(cuò)差異很明顯。ToC場(chǎng)景用戶對(duì)精度容忍度較高，但ToB對(duì)Agent的交付能力要求極其嚴(yán)格。這意味著面向企業(yè)的Agent必須具備生產(chǎn)級(jí)的穩(wěn)定性和準(zhǔn)確性。

從游戲開(kāi)發(fā)這樣的復(fù)雜軟件工程中可以看出，真正具備生產(chǎn)力的Agent不僅要能寫代碼，更要能做系統(tǒng)性的測(cè)試、調(diào)試和迭代。這種端到端的能力才是Agent從“玩具”向“工具”轉(zhuǎn)變的關(guān)鍵。

從模仿人類到原生交互：CLI更像是Agent的母語(yǔ)

要讓Agent從助手升級(jí)為真正的AI生產(chǎn)力工具，僅有Agent本體是不夠的，關(guān)鍵在于構(gòu)建一套Agent-native的軟件交互生態(tài)。

我們的日常工作高度依賴Office套件、設(shè)計(jì)軟件、3D建模工具等專業(yè)應(yīng)用，但現(xiàn)有的通用Agent很難與這些軟件建立有效連接。

過(guò)去幾年，Computer Use主要依賴GUI路徑——讓Agent模仿人類的視覺(jué)感知和鼠標(biāo)操作。然而這種”擬人化”方案存在兩個(gè)根本性缺陷：

一是成本過(guò)高（每次交互都需要處理復(fù)雜的多模態(tài)輸入鏈），二是可靠性受限（基于多模態(tài)分析的像素級(jí)的精準(zhǔn)點(diǎn)擊，對(duì)當(dāng)下AI來(lái)說(shuō)本身就是挑戰(zhàn)）。

問(wèn)題的核心在于，GUI天然是為人類認(rèn)知模式設(shè)計(jì)的交互語(yǔ)言，強(qiáng)制Agent去適配人類界面，本質(zhì)上是一種“削足適履”的妥協(xié)。

真正的突破可能需要我們重新思考交互范式——不是教會(huì)Agent使用人類工具，而是為Agent重新定義數(shù)字世界的交互協(xié)議。

與其讓Agent學(xué)會(huì)用鼠標(biāo)，不如讓軟件學(xué)會(huì)說(shuō)Agent的語(yǔ)言——CLI可能更是Agent-native的Computer Use方式。

我們反思了一個(gè)問(wèn)題：為什么一定要讓AI像人一樣操作界面？ AI完全可以有自己更高效的交互模式。

所以我們做了CLI Anything，把各種軟件包裝成命令行接口，讓Agent直接通過(guò)CLI操作，而不是費(fèi)力模擬人類點(diǎn)擊。

現(xiàn)在CLI Hub上已經(jīng)有80個(gè)軟件，31個(gè)分類。我們覺(jué)得未來(lái)軟件使用應(yīng)該是CLI+GUI的混合模式：Agent通過(guò)CLI高效完成復(fù)雜任務(wù)，人類通過(guò)GUI享受直觀體驗(yàn)。

想想看，Agent直接用命令行操作3D建模、設(shè)計(jì)軟件這些專業(yè)工具，用戶不用學(xué)復(fù)雜軟件，開(kāi)發(fā)者也不用寫一堆API文檔。

這種分工更合理—同一個(gè)軟件，給AI提供CLI接口干活，給人類提供GUI界面享受，各自用最適合的方式，這才是真正的AI-native架構(gòu)。

Agent如何自己變強(qiáng)：skill進(jìn)化與Swarm實(shí)驗(yàn)

剛才講了生態(tài)中的軟件操作，接下來(lái)說(shuō)說(shuō)自進(jìn)化。

為什么Agent需要自進(jìn)化？因?yàn)槲覀兿Ｍ趶?fù)雜任務(wù)中能總結(jié)經(jīng)驗(yàn)、沉淀價(jià)值信息。

目前有三種自進(jìn)化路線：

• 適應(yīng)環(huán)境：迭代workflow和harness；
• 技能沉淀：把經(jīng)驗(yàn)總結(jié)成可復(fù)用的skill（就像人學(xué)新東西，生物特征沒(méi)變，但經(jīng)驗(yàn)更豐富了）；
• 參數(shù)更新：把Agentic任務(wù)的能力通過(guò)reward學(xué)到模型參數(shù)里。

第一和第三種路線都有泛化性差的問(wèn)題——針對(duì)特定場(chǎng)景進(jìn)化的Agent很難復(fù)用到其他地方。

所以我們選擇第二種路線，做了Open Space來(lái)實(shí)現(xiàn)skill-based的Agent自進(jìn)化。但現(xiàn)實(shí)中基于skill的進(jìn)化也面臨幾個(gè)核心挑戰(zhàn)：

第一，高質(zhì)量skill稀缺；

第二，精準(zhǔn)匹配困難——比如做量化交易，skill庫(kù)里有市場(chǎng)級(jí)、股票級(jí)、一級(jí)市場(chǎng)、二級(jí)市場(chǎng)各種粒度，到底該選哪個(gè)？

第三，粒度管理復(fù)雜——不同層級(jí)的skill如何有效組織和檢索。

從MCP演進(jìn)到skill，這些根本問(wèn)題并沒(méi)有解決。我們希望借鑒wiki的檢索機(jī)制來(lái)管理skill，解決多粒度匹配的挑戰(zhàn)，這樣才能實(shí)現(xiàn)真正有效的自進(jìn)化。

我們?cè)趤?lái)自44個(gè)行業(yè)、一共220個(gè)任務(wù)上測(cè)試了Agent進(jìn)化前后的差別，發(fā)現(xiàn)token消耗顯著減少，任務(wù)完成度明顯提升。

更重要的是，Agent能通過(guò)學(xué)習(xí)大幅降低自己的運(yùn)行成本。

接下來(lái)我們做了個(gè)更大膽的實(shí)驗(yàn)：

用8個(gè)Agent調(diào)用8張H100顯卡，去訓(xùn)練一個(gè)大語(yǔ)言模型。23小時(shí)內(nèi)模型性能提升了6%，工作量相當(dāng)于我們組一個(gè)博士3周的活。

這個(gè)實(shí)驗(yàn)驗(yàn)證了Agent Swarm的可行性，但發(fā)現(xiàn)關(guān)鍵洞察：3-5個(gè)Agent就夠了，更多不見(jiàn)得更好。目前行業(yè)還沒(méi)摸清Agent數(shù)量的scaling law。

當(dāng)下除了coding，很多Agent Swarm場(chǎng)景缺乏有效的質(zhì)量驗(yàn)證，我們很難判斷最優(yōu)配置。

關(guān)鍵問(wèn)題不是堆數(shù)量，而是在特定任務(wù)復(fù)雜度下，需要多少Agent以及如何分工。
與人類團(tuán)隊(duì)不同，Agent協(xié)作成本更低、溝通延遲幾乎為零，這可能重新定義最優(yōu)團(tuán)隊(duì)規(guī)模。

但paradox是：零溝通成本理論上支持更大規(guī)模協(xié)作，實(shí)際效果卻可能在小規(guī)模達(dá)到峰值。

這暗示Agent協(xié)作的瓶頸不在溝通，而在任務(wù)分解、沖突協(xié)調(diào)的復(fù)雜度、上下文對(duì)齊，以及每個(gè)步驟的精準(zhǔn)驗(yàn)證。Agent越多，這些隱性成本可能呈指數(shù)級(jí)增長(zhǎng)。

還有個(gè)有趣發(fā)現(xiàn)：學(xué)生們?cè)趘ibe coding時(shí)，會(huì)把Agent集群的協(xié)同過(guò)程可視化——任務(wù)分發(fā)、完成、交互全流程都能看到。

這不只是炫技，而是在碎片化的工作時(shí)間里提供情緒價(jià)值，讓等待變得有趣。
我們做了AI researcher Agent來(lái)賦能科研。核心價(jià)值很明確：如果以前一周只能試錯(cuò)一種算法，現(xiàn)在一周能試幾十種。

科研本質(zhì)就是試錯(cuò)和信息關(guān)聯(lián)，Agent能大幅加速這個(gè)過(guò)程，特別是幫新手快速梳理領(lǐng)域信息。

但關(guān)鍵挑戰(zhàn)在于如何探索出高質(zhì)量的科研成果。科研的質(zhì)量驗(yàn)證往往也很挑戰(zhàn)，因?yàn)檎嬲袃r(jià)值的科研發(fā)現(xiàn)可能需要幾個(gè)月甚至幾年才能被驗(yàn)證。

這帶來(lái)一個(gè)悖論：Agent能加速試錯(cuò)，但無(wú)法加速驗(yàn)證。我們可能陷入“快速產(chǎn)出低質(zhì)量假設(shè)”的陷阱，而不是“深入探索高質(zhì)量洞察”。

這就是我們整個(gè)Agent生態(tài)的布局：從nanobot單體Agent，到computer use、Agent協(xié)同和自進(jìn)化，我們希望能突破現(xiàn)有Agent的邊界。

未來(lái)Agent的價(jià)值不只在于單點(diǎn)突破，而在于整個(gè)生態(tài)協(xié)同。

最后感謝我的團(tuán)隊(duì)，說(shuō)實(shí)話有沒(méi)有我作為導(dǎo)師，他們都能做得不錯(cuò)。Credit也應(yīng)該給到團(tuán)隊(duì)的小伙伴們?cè)陂_(kāi)源項(xiàng)目上的持續(xù)迭代。

也很感謝整個(gè)開(kāi)源社區(qū)的小伙伴們，目前AI Agent很多技術(shù)還處在百花齊放的階段，開(kāi)源往往能夠讓大家更好地一起探索技術(shù)邊界，避免各自閉門造車。