姚順雨開講了，現場爆滿！

整個會場放眼望去全是「人人人人人」……

今年騰訊云AI產業應用大會的主題是「Agent進場，效能生長」，產業先行者、技術開發者與生態創新伙伴齊聚一堂。

當下AI正褪去概念熱度，大步邁向實打實的產業落地，一眾從業者也借著這場盛會，圍繞行業落地、技術革新展開深度交流探討。

當然了，大會的重磅——

騰訊集團高級執行副總裁、云與智慧產業事業群CEO湯道生和騰訊首席AI科學家姚順雨：關于騰訊AI下半場的深度對談，已經幫大家梳理完畢：

• 騰訊慢了嗎？

• 為什么會來騰訊？

• 現在做大模型沒有什么秘密，我們做混元3，對Infra做了很多重建，對數據和Eval也做了很大改變。做大模型沒有清晰的公式，是taste-driven的事情。

• 做模型和做產品，目標天然不一樣，跨團隊協作最大的障礙在于能不能建立信任、有沒有換位思考的能力。我們派后訓練最強的骨干力量，優先把元寶的后訓練做扎實。 維護好元寶的DAU，看上去是產品目標，但對做好模型本身同樣重要。

• 關于下一代混元的研發重點，會以coding agent為基礎能力底座，但有三點差異：1、強調體系的全面化，而非只堆coding數據；2、產品是關鍵，要把數據回流用好；3、要保留想象力，敢做不確定的探索。

• 性價比拆開是兩件事——先看性能，再看成本，而真正的杠桿在于“用小模型把高價值任務做好”。如果一個小模型能比肩大模型的性能，那它帶來的價值，在今天的中國，可能遠大于大模型在長程任務上的邊際改進。

• AI上半場——比誰能訓模型、刷榜單，已經落幕；下半場才剛開始，coding agent、多模態、具身智能都才剛發生。而下半場最重要的，不是跑得多快，而是能不能誠實地面對自己。

以下為整理后的訪談重點實錄。

姚順雨為什么選擇騰訊

湯道生： 順雨，你加入騰訊之前，我記得問過你一些問題——為什么會選擇來騰訊？以及你認為AI的下半場最重要的是什么？

姚順雨： 我想先解釋一下什么叫”下半場”，因為最近我感覺這個詞有點被濫用了。這個概念其實是我去年一篇博客里提出來的。意思是：在去年之前，AI已經發展了幾十年，更重要的事情是怎么去解決問題、尋找好的方法；但最近很明顯的一點是，方法論已經變得非常成熟，反而是“尋找問題”變得更困難了。

舉個例子。過去我們做下圍棋，會發明像AlphaGo這樣的方法，但它可能只適合下圍棋、下棋類；你為翻譯做一個專門的模型，它可能也只能用來翻譯，干不了別的。但有了預訓練和后訓練之后，我們好像有了一把”萬能的錘子”，可以去砸任何釘子——它是一個通用的方法論，能解決各種各樣的問題。反而更困難的，是怎么去尋找好的問題來解決。

所以加入騰訊很重要的一點就是：這里有很多好問題、很多很多產品，我覺得這一點接下來會變得越來越重要。

一方面，好的產品能解決第一個問題——我們做完預訓練和后訓練之后，到底要把它應用在什么地方、產生什么價值。

第二，環境非常重要。沒有好的環境，agent就沒辦法做各種事情。比如你沒有一個點外賣的工具，就沒辦法點外賣，很多事情都做不到。

但我覺得最重要的可能是context。無論是企業還是個人——就像我上次在活動上說的——context會越來越重要。因為模型越來越擅長把一個非常復雜的輸入變成一個輸出，很多時候你的競爭壁壘，恰恰來自你有沒有那個最原始的輸入：你知不知道這個人到底在干什么，知不知道這家企業的各種信息。在這一點上，騰訊有非常強的優勢。

不過這只是第二大的原因。我覺得最重要的原因其實是文化。

我還記得第一次跟你、以及很多總辦老板聊天時，第一印象就是大家都非常誠實——哪里做得好、哪里做得不好，都講得非常直白，不會掩蓋：我知道哪里做得好，也知道哪里不知道；知道這里該怎么做，也承認那里不知道該怎么做。這種坦誠是我的第一印象。

第二，騰訊總體是一家基于 trust（信任）、而不是基于 metrics（指標）去運轉的公司，我覺得這一點對做 AI 非常重要。包括我們的文化里也有非常 low ego、非常”騷氣”的一面。

這些文化，對于長期做一個 AI 組織都非常重要，也包括我們對長期主義的堅持。

所以，AI 下半場最重要的是什么？就我個人的目標而言，我覺得我們應該在中國建立一個長期的、基于 AGI 的組織。

我覺得今天的 AI 主要有三個部分。第一是foundation——怎么把預訓練、后訓練這種最基礎的東西做得非常漂亮。第二是產品——怎么讓這樣的技術真正為人和社會產生價值。第三是frontier——怎么去探索新的研究范式、新的機會。最重要的，是構建一個非常均衡的、像三角形一樣的組織。

對foundation來說，最重要的，第一是需要充足的資源，第二是需要正確的做事方式——這跟我剛說的文化那一點是吻合的。對產品來說，有好的產品 sense、有做產品的經驗至關重要。第三是frontier，我覺得我們今天在中國做的探索可能還不夠多，所以我也希望能把這種 frontier exploration（前沿探索）的精神更多地注入到組織里。

湯道生： 你提到跟總辦聊的過程中感受到的真誠、務實，這其實也是我常從客戶交流中得到的反饋。我覺得我們做事的方式、做產品的理念，確實是比較實事求是的。畢竟 AI 這個賽道是一場長跑，有時候”認知”也很重要——哪些做得好、哪些做得不好，也得認。但關鍵是，這是一場多維度的競賽：我們看到模型有很多進步，做產品也有越來越多的形態，不同場景有不同需求。我覺得未來還是非常可期的。

騰訊慢了嗎？下半場是什么

湯道生：我想問一個大家討論比較多的問題：很多自媒體都會提到，騰訊在 AI 上沒有及時抓住一些機會。你覺得我們真的慢了嗎？下半場到底是什么？能多說一下嗎？

姚順雨： 感覺這應該是我問你的問題。我覺得今天我有兩個重要的判斷。

第一個判斷：AI 是一個短期游戲，還是長期游戲？在硅谷蔓延著很多情緒——所有人都要失業了、AI 要取代所有人的工作，所以趕快賺兩年錢然后退休。這是一種判斷。

但我們的判斷很顯然是：這會是一個長期游戲，而且其實才剛剛開始，下半場才剛開始。我不認為 GPT 和 Claude 會是唯一的 super app，那會是一個非常灰暗的世界。我覺得一定會有源源不斷的新機會誕生，今天可能就像 70 年代 PC 剛出現的時候，還有很多好事情要做。

第二個判斷：它會是一個更單一、還是更多元的游戲？過去幾年大家能看到的是 pre-training、post-training、RL、agent、coding agent，好像有一條非常清晰的主線，坦白說所有人都在做一樣的事，這也是件很灰暗的事。未來到底會更單一還是更多元？

我個人覺得會更多元。coding agent 的生產力毫無疑問會越來越重要，而且它才剛剛開始，這個世界還有 trillions of dollars 的市場沒被填滿；但多模態、具身智能，還有很多很多新事情正在或剛剛發生。所以從這個角度看，如果我們認為下半場才剛開始，那可能確實不算晚。

當然，過去模型、產品做了很多探索，走了很多彎路，我覺得這很正常——沒做過一件事，第一次做肯定會有曲折。但可能更重要的是：能不能誠實地面對自己，能不能 be real，能不能看到 feedback 然后去改變，能不能保持耐心。我覺得這些事情，在下半場會更加重要。

姚順雨： 你怎么看？

湯道生： 大家對騰訊經常喜歡挑某一個點來批評，我們也歡迎大家提更高的要求。騰訊有非常多的業態、很多產品在很多賽道，同時很多團隊在推進不同項目。在這樣一個復雜的組織里，有些地方可能做得快了，有些地方做得慢了，有些地方可能在探索中失敗。

所以這些提醒都非常好，確實有些地方我們可以做得更好。但就像你說的，這是一場長跑、一場馬拉松。

騰訊有非常豐富的場景。就像你一開始提到的，選擇騰訊是因為 AI 需要 context，模型需要很多上下文，而騰訊多年來在不同賽道、不同產品上的積累，都可以針對每一個場景為模型提供有用的信息、提供 context、發揮價值。

在這場長跑里，我相信模型會不斷迭代，用戶需求也在不斷變化，還會有新的產品形態出現。比如今年初那一波（視頻生成？）熱潮我們反應也比較快；同時也有 Workbody 這樣的智能體產品——其實是幾年前就開始做的產品，沿著原來 coding 的積累慢慢看到很強的需求，我們也能比較快地去應對。

今天也聽到很多客戶對我們不同產品怎么組合起來有很高的期待。所以我們正在長跑中，也請各位多給我們提醒和建議，多用我們的產品，給我們正向的、constructive 的反饋。

模型與產品互相成就

姚順雨： 在一個多產品的體系化的地方，其實會有一個比較大的優勢。比如我們用混元 3 可以讓模型在元寶里產生很強的聊天和搜索能力，但這種能力又可以被遷移到 IM 或者 Workbody 這樣的其他產品上。

這些產品能夠提供不同的數據，而這些數據之間又可以相互泛化，形成一個像網絡一樣的體系。我覺得這一點的價值會越來越重要。

湯道生： 對。其實在外部刷榜也算是一種數據吧，那我們內部做的跟外部的這種榜有什么區別？

姚順雨： 首先這些 benchmark 還是有它的價值的，不是說完全沒價值，只是現在這些榜非常容易 saturate（飽和）。而基于真實世界的數據有幾個幫助：

第一，你能發現模型的很多底線問題。我們想發一個 pre-preview 模型，最重要的目的之一就是希望獲得真實世界的反饋，去修復各種榜單里沒法發現的底線問題——這一點會在正式版上有非常大的改進。

第二，你對真實的 prompt distribution（提示詞分布）會有更深的了解。舉個例子，benchmark 上的題目往往非常精確，有很長的 concrete description，而且一般是單輪問題；但現實里大眾問的問題通常比較模糊，可能就一兩句話，然后不停追問。這些 setup 上的差異，就能啟發我們怎么去更好地做訓練。

第三，我們甚至可以從這些產品上獲得靈感，去推進現在還沒有的榜單、沒有的領域。比如我們最近做了很多 coding 能力的工作，元寶給我們的啟發就很有幫助。所以我覺得產品和模型的互相成就，是越來越重要的一個 AI 話題。

湯道生： 對，我記得早期做元寶的時候還碰到過多輪遵循的問題。在產品里用戶迭代 prompt 的方式，跟 benchmark 好像有蠻大的差異，真正在產品里所需要的能力，確實跟 benchmark 不太一樣。你問了我這么多問題，我也問你一點。

做產品的第一性原理：不變的是為用戶創造價值

姚順雨： 我記得第一次跟你聊的時候，你講了很多過去的經歷，從 QQ 空間、QQ 秀的時代，一直到我小學時候最喜歡的那個產品……

湯道生： 你說的是”老燈”對吧？

姚順雨： 對，再到 QQ、到音樂、到語音，再到現在的元寶、IMA。跟你聊天很有意思，因為你做過各種各樣的產品，To C 的也有、To B 的也有，遠古時代的也有、AI 時代的也有。

我比較好奇的是，你覺得你做產品的第一性原理是什么？哪些經驗或價值是不變的，哪些東西變了？

湯道生： 我覺得做產品最終還是奔著”用戶到底有什么需求、我怎么去解決他的痛點、怎么給用戶或客戶創造價值”。這一點在不同的時代、不同的行業都成立——產品能給用戶帶來價值，他才會買單、才會使用。

所以從 PC 互聯網時代做空間，到移動時代做各種內容產品，再到云互聯網做云，我們都要花很多時間去聽客戶的聲音、幫他們解決問題，底層邏輯其實沒有那么大的變化。

但 PC、移動互聯網時代做產品，跟今天 AI 時代做產品，還是有蠻多不一樣的地方。

首先從范式上看，在 AI 之前，我們做產品很多時候是通過”功能”來滿足需求：作為服務提供方，你想清楚要提供什么能力，讓用戶通過界面、菜單去選，能力是預置好的，用戶只能在里面點。

但 AI 時代那種開放式的服務形態就帶來很不一樣的要求——交互方式可能是自然語言、是語音，作為產品方你也不知道用戶會問什么，所以要充分利用模型能力去理解用戶需求，再通過大模型的邏輯推理、調用工具的能力，由產品給模型提供各種可用的工具，去應對這種開放式需求。這跟我們過去做產品很不一樣。

還包括你剛提到的 specification（規格）。過去對產品細節功能有很清晰的描述，怎么設計、研發、測試，那套瀑布式流程也比較清晰。但做 AI 產品，我發現最大的變化是整個流程可能都要重新設計。

尤其是今年，大部分代碼都由 AI 生成，工程師會花更多時間做設計、做架構，把寫代碼的工作交給 AI，再定期去指導、修正。

測試也要”左移”、更前置地去想清楚針對各種 case 的 eval（評估）——要有環境，要對開放式答案有要求，甚至包括 alignment（對齊），怎么對齊到用戶所需要的那種風格。我感覺今天 AI 時代做產品，要求的能力其實更全面了。

混元 3 做了什么改變

湯道生： 那我問一下混元 3。大家都在說混元 3 是你在騰訊的首秀，具體做了什么改變，能給大家介紹一下嗎？

姚順雨： 其實沒什么秘密。今天做大模型是一件比較”苦”的事情——我們應該把 infrastructure 做好、把數據做好，算法的部分反而是比較簡單的。主要有幾個點：

第一，我們對 infrastructure 進行了重建，無論是預訓練還是強化學習。

第二，我們在數據和評估上做了很多大的改變：如何定義更真實的問題，如何豐富數據的 taxonomy（分類法），如何提高數據質量——這是一個永無止境的追求。

第三，我覺得很重要的是，很多決策其實沒有清晰的公式。包括怎么招人、怎么設立模型的節奏，每天都有很多 decision 要考慮很多 tradeoff，可能更是一件由 taste（審美品味）驅動的事情。

如何看待 co-design：模型與產品的協同

姚順雨： 我挺好奇想問你一個問題。你剛剛跟我討論 codesign 這個概念，我也很好奇你是怎么想的——你覺得哪些事情應該是模型做的，哪些應該是產品做的？

湯道生： 我覺得 codesign 在不同階段一直在變化，這種變化某種程度上是隨著模型能力的升級而變化的，當然行業、市場、用戶需求的變化也會帶來模型和產品兩邊都需要更好去滿足。給我比較深的一個感受是”怎么去對齊”。

我們一起做產品、做 alignment 的時候，有很多不同的角色：產品要針對某個方向解決問題，模型到底怎么滿足這個需求？同時模型需要數據，數據應該怎么標注、標到什么顆粒度，什么是好的標注、什么是不好的標注（有些地方要獎勵，有些地方要懲罰），還有評測——如果產品認為好的體驗，評測并不認同，那大家做出來的東西就會不一致。

所以 codesign 給我的感受更多是：項目組里不同角色一起參與產品設計、定義產品的目標方向，讓多個角色對一些開放式問題有比較好的對齊。如果沒做到這種對齊，你會發現產品的行為不可預測、甚至有隨機性，因為訓練過程可能也被混淆了。這是我這兩年跟模型團隊做 codesign 一個比較深的感受。

姚順雨： 對。我覺得最難的一點就是要建立 trust（信任），而且同理心很重要。因為說到底，做模型的目標和做產品的目標，有很多 align 的部分，也有很多不 align 的部分——做模型的人希望能力越強越好，做產品的人希望用戶需求滿足得越好，天然有很多沖突。所以很重要的一點，是要有換位思考的能力。

其實你剛問我們是怎么一步步做到混元 3 的，有一個很重要的細節：我們當時派了后訓練最強的骨干力量去幫元寶，先把基于 DeepSeek 的那一版后訓練做好。

因為那時候我們自己的預訓練還沒 ready，但我們知道，維護好這樣的產品和它的 DAU，對我們接下來做模型會變得非常重要，對長期合作也非常重要。當時很多算法同學不理解，我需要很努力地去解釋。

但現在看，這些努力都 payoff（有回報）了——這個動作讓產品方意識到，做模型的同學是真的在為產品著想。這對我們之后的合作、包括混元 3 在元寶上成功上線，都起了非常重要的作用。當然有很多技術部分可以探討，但我覺得最難的部分反而是怎么建立信任、怎么換位思考。

湯道生： 對，非常認同。

從 ReAct 到今天：幾年前的預測兌現了嗎

姚順雨： 換個話題。你是 ReAct 的提出者，博士研究也圍繞語言智能體（Agent）展開。你幾年前的一些觀點，到今天兌現了嗎？哪些兌現了？

姚順雨： 那天我還挺感嘆的，因為我重新讀了自己的博士論文，感覺回到了一個很”遠古”的時代。我博士論文的題目叫《Language Agent: from next token prediction to digital automation》（語言智能體：從下一詞預測到數字自動化）。

湯道生： 那是哪一年？19 年？

姚順雨： 19 年。

湯道生： 七年前。

姚順雨： 那時候 literally 就是 GPT-2 的時代，它當時只能做 next token prediction，產生的一段話還不太連續、有很多毛刺，所以人們很難想象它有一天會成為改變世界的力量。

當時大家做的研究稍微有點想象力的，比如輸入”中國的首都”，做 next token prediction 它會回答”北京”——能做到這點大家就已經很開心了，覺得這是個很有意思的基礎。

我當時的想象力可能比較狂野：我覺得 GPT 是個非常優美的東西，吐出下一個 token 是一件極簡又極其通用的事。

我覺得它有一天的潛力不僅在于吐出下一個 token，而在于把這個世界上所有的事情全部 automate（自動化）。

當然我當時想的可能還不夠大，我想的是 digital automation（數字自動化），但現在看可能是 digital and physical automation（數字與物理自動化）。

我博士期間主要做兩部分。第一部分是建立一套 agent 的方法論：如何把一個 next token prediction 的機器變成一個 agent、變成一臺自動化的機器。最重要的一篇工作就是 ReAct。

我還記得 2022 年 7 月某天晚上，我第一次把當時的語言模型 API 和我自己手寫的一個 Wikipedia API 接在一起，它第一次能基于網頁回答問題、并且做多輪交互。那一刻就像微弱的燈絲突然亮起來一樣。

據我所知，這可能是人類第一次把 LLM 和真正的互聯網連在一起、并做多輪交互。我當時的感覺是：OK，這件事可能在五年或十年內會改變世界——但后來發生得比我想的還要快。

我記得當時就覺得，如果這件事能做成，那它顯然會帶來巨大的價值。當時想的可能是幾百億、上千億，現在看可能是數萬億、數十萬億，我想的還是太小了。

另一部分工作是怎么去定義 digital automation 的任務。比如 WebShop 是第一個互聯網 web agent 的 task，InterCode 是最早的 coding agent 任務。現在看，agent 技術最重要的兩個部分，可能確實就是 web agent 和 coding agent。

那天我還在群里跟大家聊，我看我博士論文結尾在 2024 年寫的 future work：第一是 train models for agent（為智能體訓練模型），第二是 safe and robust deployment（安全且穩健的部署），第三是 scientific discovery（科學發現），第四是怎么去 help human（幫助人類）。

我挺感嘆的——我現在很幸運，確實在做當時列的這些 future direction。

湯道生： 你的 prediction 太厲害了，能看到整個行業都在往這些方向推進。

姚順雨： 可能想的還是不夠大。我當時已經覺得自己想得夠大了，但可能還是不夠——技術的發展往往超乎我們的預期。

下一代模型的研發側重：coding、體系化、產品回流與想象力

湯道生： 我再轉一點。今天大家都說智能體需要消耗很多 token，那對混元做下一代模型的研發，你覺得側重點是什么？哪些地方比較重要？

姚順雨： 我覺得毫無疑問，今天的 agent、或者說 coding agent，就有點像預訓練一樣，是一件不得不做的事，是最基礎的能力。

我個人覺得 coding 非常本質，原因很多，但還有一個很重要的原因：它有點像圖靈完備——當你能控制自己的 file system、有一個 container 的時候，你其實就是一個 complete 的 system。

今天 agent 毫無疑問是每一家模型發力的重點，而我們做的方法可能有幾個區別：

第一，即使今天 coding 是最重要的事，我們還是會強調”體系的全面化”。我始終認為，真正要把 coding 做好，需要的遠不止 coding 的數據，你還需要聊天、instruction following（指令遵循）、推理等各種各樣的能力——因為大模型最重要的一點是泛化性。

第二，產品的作用越來越重要。如何利用好線上的數據回流，是每一個模型廠商都在思考和應對的問題，這里我們前面說的很多 codesign 經驗會變得非常重要。

第三，還是需要更多想象力。無論是技術的演進、產品的演進，還是下一個范式的演進，我們都還需要做一些探索性的、甚至帶不確定性的工作。

性價比的本質：性能優先，成本其次，小模型做大事

湯道生： 對，從產品側看，大家越來越多有”token 焦慮”的聲音，token 成本在持續增長。我也聽到很多客戶、甚至身邊的同事，都在緊盯積分或 token 的消耗。

那怎么能讓模型在解決某個問題、完成某個任務時 token 效率最高？我之前做過一些任務，模型可能會嘗試不同方向，有些方向其實明知道走不下去，但它還是會試，試完才知道走不通再換下一個。這里面有什么可以 optimize 的地方，讓 token 使用效率更高？

姚順雨： 今天在中國大家討論性價比，可能更多在討論模型架構，但它其實是個很復雜的體系。我覺得最重要的首先是 performance（性能）。很多人跟我說，他們最后發現用 Opus 這樣的模型，反而比用更差的模型更省錢——因為更快就把事情做對了，也省了人的精力。所以性能其實才是性價比最關鍵的事情。

尤其是今年，很多簡單任務的 robustness（穩定性）會變得更重要：如何一次就把相對簡單的任務做對，這可能是性價比更關鍵的部分，而不僅僅是模型架構。

第二部分是成本，成本本身就是性價比的一部分。我覺得第一是”性”——性能不好，性價比就無從談起；第二才是成本。在成本上，中國其實是領先于世界的，我們做了大量工作去優化成本。

但我覺得成本這件事最重要的，可能是”怎么用一個更小的模型，把更高價值的任務做好”。這里有很多事要做，包括架構創新、長文本管理、壓縮等等。

但我個人的看法是：如果我們能做一個相對較小的模型，它的性能卻能比肩甚至超過大模型，而且能在大部分任務上做到很強的 robustness——這可能比在很多非常長程、很 fancy 的任務上實現一兩個點的提升，在今天的中國更有價值。

agent 的產品機會與瓶頸

姚順雨： 我也挺好奇，Dowson（湯道生），你是什么時候意識到 agent 是一個新的產品機會的？你現在的認知是什么？你覺得我們現在離一個好用的 agent，瓶頸在哪里？

湯道生： 我們針對不同場景做的 agent，其實有不同的產品形態。在 agent 的設計上，很大程度是盡量去發揮好模型的能力。模型能力越強，應用需要做的工作可能越少。

過去這段時間我看到我們好幾個產品，隨著模型能力增強，反而把 agent 做得更簡化了——更多是給模型提供更多不同的工具、創造更多 skills，讓模型更高效地完成任務；同時提供更多”記憶”，把用戶過去的使用習慣、能提取出的 preference 信息，作為上下文 feed 給模型。

在 coding 環境里給模型相關的 context，在 Workbody 這種辦公協作、PPT 場景里，需要關注和給到模型的 context 又不一樣。所以做不同的 agent，更重要的還是了解那個場景下什么內容、什么信息是重要且 relevant 的，能跟模型配合好，讓模型既有它需要的信息，又能發揮它的能力。

agent 時代的研發與組織變革

姚順雨： 最近我們確實推出了像 Workbody 這樣口碑很不錯的產品，背后是很多小團隊在快速迭代。我挺好奇，相對于傳統的產品研發，你覺得在 agent 時代，產品團隊的研發和組織管理發生了什么變化？

湯道生： 前一陣子我去 Workbody 團隊做了一次組織走訪，看到他們非常扁平化的組織，跟我們過去其他產品的組織架構有很大差異——更多是三五個人的小團隊，圍繞某一個領域去做攻關，而且有很多實驗。所以要支持好底層的 AI Infra 去做實驗，讓這些小分隊能去探索、再驗證。

因為大部分實驗可能拿不到正向反饋，我們也要包容團隊去試錯，通過大量實驗提煉出對用戶流程、對我們想要的結果有正向幫助的東西。這是今天做 agent、做原生 AI 產品，組織形態要能比較好支撐的地方。

另外，原來很多工程師花大量時間在寫代碼上，今天這些工作毫無疑問可以交給 AI 了，所以我們會看到更多角色的融合：大家可能都是產品經理，都要透徹了解用戶需求、設計出想要的產品形態；

每個工程師更像一個有想法的 leader，驅動多個 coding agent 去針對產品需求做研發。同時也要像我說的把評測前置，用好 AI 的能力，把質量保證、alignment 的工作做到前面來。

以上是小編整理的訪談重點傳達，干貨實在是太密集（orz）……

文章來源：量子位。