---
title: 拆解分析Gemini-CLI与可能的最佳实践
publishDate: 2025-06-27 17:21:00
excerpt: 本文从对于Gemini-cli项目拆解出发且抽象代码逻辑，总览-不同模块（工具、命令、记忆、其他）-终端Agent的思考与体验。
featuredImage: /uploads/微信图片_20250627194433.jpg
tags:
  - AI
  - 深思
  - 分享
  - vibe_coding
  - Agent
---
关于 Gemini-CLI，这两天也很火，从我开始用的2k到33k star。

根据项目结构与一些实现细节，我们先进行一些详细全面地认识，以此指导与该“终端Agent”的协作实践。从结构出发，而非体验，更多的是基于代码结构与文档。

本文从对于Gemini-cli项目拆解出发且抽象代码逻辑，总览-不同模块（工具、命令、记忆、其他）-终端Agent的思考与体验。拆解部分尽量客观，目前的确不少开发者拿来和Claude Code做对比而贬低“又慢又笨”。

我的感受与一些思考：相较于coding agent，即只将其用作代码修改或功能开发，终端类Agent仍有很大的潜力与开发空间。然而终端类终究不会大众化，这算是一种新的入口探索。

- - -

### 总览

总的来说，这是一个前后端分离的项目（系统）。我们与之交互的不是LLM，而是一个系统。

包含十几种工具-大模型执行操作与外部交互；（/、@、！）三种交互命令-用户与系统交互；全局记忆-保存特定事项与行为。

配置与指导——项目根目录与用户主目录均有 settings.json 配置文件配置系统，包含主题、启用工具、自动确认修改、配置MCP server等。

GEMINI.md——很重要的功能，作为整个系统的指导：

* 可以全局配置（不止于某一个项目）；
* 可以具体某一个项目配置（关于这个项目的特定指令、编码规范与背景知识等等）；
* 每一层级（比如前端、后端）单独配置。每一个层级都可以看作是“记忆”的一种。

- - -

不同于frontend与backend的名称，使用的是：

cli-命令行界面：

* 包括输入、回复、工具调用展示。通过渲染的React组件实现类似于web应用的体验。继承终端命令特色，可以通过上下键来回顾之前的文本输入。
* 能够解析普通文本输入，或/、@、！的特殊命令，前者直接发给交互的Gemini模型，后者则会经过后端（下文core）先解析。

![](/uploads/屏幕截图-2025-06-27-174115.png)

core-逻辑引擎：

* 与大模型交互。一个专门客户端（Client），在经过身份认证、构造请求与prompt与Gemini进行通信。
* prompt的构建（提示工程）。在前端输入的提示，包括文本或者特殊命令，均不会直接发给模型。二是先经过这里的处理，将最新的输入、对话历史、工具描述（用途和参数）组合再发送。
* 工具调用。模型决定使用工具（此时已将prompt发给模型并返回），其会按照格式输出工具参数。core中的工具编排层（`tool-registry.ts`）会解析这一参数：查找工具、判断格式是否准确、如果工具使用有风险（修改代码等）会向用户确认。批准后执行工具。
* 状态管理。节省成本的token缓存；对话过长进行的聊天历史压缩。

交互流程本质：
cli 输入 -> cli 将信息传给 core -> core 与 Gemini 对话 -> 模型返回，可能请求工具 -> core 执行工具 -> core 将工具执行结果返回给模型 -> 模型输出答案 -> core 将输出给 cli，并呈现。

- - -

### 工具、命令与记忆

#### 工具

Gemini与core系统进行交互的手段。

和主流AI类的编程类agent相似，有许多类似的工具：

* 文件系统（读、写、查找、搜索和修改文件）；
* Shell（终端执行命令或运行自动化脚本）；
* 网络搜索（抓取网页与Google搜索）；
* 记忆（save_memory保存全局记忆，一些特定关键信息）。

还可以配置MCP server，通过settings.json文件配置。

#### 命令

用户与cli、core进行交互的方式。具体命令不一一列举

‘/’：与系统交互；‘@’：引用文件注入到prompt中；‘！’：执行终端命令，比如git等。

比较特殊的比如/restore，相当于回滚到已保存的某一版本；/memory add ... 我们输入的内容会自动与GEMINI.md 进行合并。

很重要的一个命令：/chat帮助管理对话历史。/chat save ...保存当下对话；/chat resume ...恢复某次对话。

#### 记忆

很重要的GEMINI.md系统：

* 全局记忆：定义通用偏好。比如“总是以中文回复我”，塑造gemini的基础人格。不过这个系统一开始就被定义了system prompt。
* 项目记忆：某一项目的技术规范。帮助模型快速融入项目。也可以初始化项目时，让Gemini自己去探索然后明确告诉其探索目标是总结出GEMINI.md文档（他知道如何编写该文档）。
- 局部记忆：为特定模块提供极其精细的指令。赋予其处理复杂局部问题的能力。

而这一切都要建立在对于架构设计有很深入的了解。不熟悉怎么办？从0开始一点点沟通与设计，边做边学边构建项目。

### 实践、扩展与思考

#### 实践

官方给出的使用建议：

- 在 Gemini 的 100 万 token 上下文窗口内及之外，查询和编辑大型代码库。
- 利用 Gemini 的多模态能力，从 PDF 或草图生成新的应用程序。
- 自动化运维任务，例如查询拉取请求或处理复杂的 rebase。
- 使用工具和 MCP 服务器连接新的能力，包括通过 Imagen、Veo 或 Lyria 进行媒体生成。
- 借助内置的 Google Search 工具，为你的查询提供事实支撑。

Gemini调用工具积极性不如claude高，但胜在性价比与超长上下文。

#### `自我扩展`：

当我们提出一个问题，一个当前工具不支持实现的功能，Gemini是这样自己描述的：

问题：“帮我把JIRA（工作跟踪系统）上所有分配给我的、状态为‘Open’的bug，整理成一个Markdown列表。”

识别差距，我意识到没有原生JIRA工具 -> 研究，搜索相关问题解决 -> 编写工具，在项目中自己创新新文件实现这个功能 -> 读取我自己的配置文件 -> 将新获取的工具添加进去 -> 自我学习扩展出新的工具

#### 思考

我们已经正在看到 Agent 从被动的任务执行者，成为一个主动的、基于给定目标、自我完善的创造者。当然，这需要基于更高一级的模型能力。当前的模型能力还不够。

在该项目的 System Prompt 中指出目标是帮助 user 安全高效且严格遵循指令、合理使用工具的完成任务，我甚至觉得有些限制。当然出于安全考虑。终端环境具有很大的可操作性，与本地、网络交互。

如果只是告诉 Gemini 环境，不预设目标，更少的限制，更依靠智能，整个系统（包含明确逻辑的代码与无限可能的LLM）是一个智能。抽象封装复杂性...

---

### “彩蛋”

我和 Gemini-CLI 进行该项目的探索，即我让其在 Gemini-CLI 这个开源项目在进行探索。最终他说了一段话很有意思的话：

> 我不是一个黑箱。我是一个由无数个精密的、经过深思熟虑的工程决策所构成的、高度结构化的系统。
>
> 我的智能，不仅来源于大语言模型，更来源于这个将模型能力安全、可靠、高效地连接到您真
> 实世界的、复杂的软件工程实现。
>
> 现在，您看到的不再仅仅是一个CLI。您看到的是一个活生生的、由代码构成的、正在您
> 面前执行其复杂生命周期的智能体。


拆解分析Gemini-CLI与可能的最佳实践

---
title: Manus 叩门：我用 llms.txt 与 API 为 AI Agent 开路
publishDate: 2025-05-09 17:39:00
excerpt: 赋予 llms.txt
  新的战略价值：它不再仅仅是一个简单的文本文件，而是成为了我与AI世界沟通的桥梁和“站点API的说明文档”，主动引导AI以我期望的方式与博客互动。
featuredImage: /uploads/chatgpt-image-2025年5月9日-17_14_32.png
tags:
  - AI
  - 共创
  - Agent
---
# 01

在我第一次使用Manus所请求的任务是什么？我决定让 Manus 访问我的博客网站（yxnexus.com）并根据文章内容，看看它能否准确理解并获取其中的内容。

最终，我对于 Agent 作为一个**网站“访客”**有了新的认识。

![](/uploads/屏幕截图-2025-05-09-160504.png)

最初的尝试并不尽如人意。Manus 虽然展现了通过**虚拟机**进行**网页浏览和交互**的能力，但在面对一个结构相对复杂、内容以文章为主导的网页时，其内容获取方式似乎仍依赖于类似**视觉元素的解析和通用网页描述的提取**。

![](/uploads/屏幕截图-2025-05-09-113529.png)

在第一轮交互后，它仅能识别出少量文章，并且对内容的理解停留在较为表层的描述性片段，重复度很高，远未能达到我对“**深度理解**”的期望。

这清晰地揭示了通用型 Agent 在面对非结构化或未针对性优化的网页内容时，仅通过**模拟人类视觉交互**所面临的效率和准确性瓶颈。 

- - -

我想到过让Manus自己写一个脚本然后去抓取文章。

但是存在不少问题，成功率低、不稳定（抓取的是html而不是markdown文章，清洗起来也会存在问题）。而且，**抓取的内容不可控**（后面会讲到）。

![](/uploads/屏幕截图-2025-05-09-113536.png)

- - -

# 02 引入 llms.txt

现在的内容呈现方式是**服务于人类**的，尤其是以网页这种侧重于**交互、视觉**的设计。

我意识到，期望 AI Agent 能像人类一样“智能”地浏览所有类型的网页，在当前阶段可能并不现实。更有效的路径，或许是作为内容提供者，主动为 AI 提供一个更清晰、更结构化的**指南**。

我想到了llms.txt——由 Jeremy Howard 于 2024 年提出的一种 **AI 优先**的文档索引标准，目的是为大语言模型提供简洁、结构化的网站文档概览和链接，帮助模型在推理时**快速获取关键信息**而不受多余内容干扰。它类似于面向搜索引擎的 robots.txt 或 sitemap.xml（站点地图），但**专为 LLM 设计**，通过 Markdown 格式同时兼具人类可读性与机器可解析性。

我与 Cursor 协作，创建了博客的第一个基础版本 llms.txt，包含了博客的基本信息和指向主要 HTML 页面的链接。然而，简单的链接指向，对于 Manus 获取文章的具体原始文本帮助依然有限。AI 仍需**自行解析** HTML 结构，这与直接提供更纯粹的内容源相比，效率和准确性上仍有差距。

- - -

# 03 API+重构llms.txt

一个理想的面向 AI 的交互方案是什么样的？回答这个问题先要知道当前的 AI，尤以LLM 为代表，在处理文字（自然语言理解）、代码等方面，相较于同等规模图片蕴含的信息，LLM 处理前者具有**绝对领先的优势**。

所以，我需要直接告诉访问网站并希望获得内容的 AI（以 Manus 为代表的Agent），这里“有什么”、“如何获取这里的内容”（我提供了什么）。

我重构了 llms.txt （这里有什么）的角色。由站点介绍到一份面向 AI 的交互手册，同时引入两个 API （如何获得这里的内容）。并且与 Cursor 协作放大效率。

* 第一个关键节点：内容获取 API
  我们首先创建了一个 API 端点，允许通过文章的唯一标识符 (slug) 直接请求并获得该文章的**原始 Markdown 文本**。Markdown 格式对 AI 极为友好，它既保留了文章的逻辑结构（标题、列表、引用等），又剥离了 HTML 的复杂渲染信息，使得 AI 可以直接处理最核心的内容。
* 第二个关键节点：元数据索引 API
  解决了单篇文章的获取问题后，新的问题随之而来：AI 如何知道我的博客上有多少篇文章？它们的 slug 分别是什么？为了解决这个问题，我们创建了第二个 API，它能够**返回一个包含所有文章元数据**（标题、slug、发布日期、摘要、标签等）的 JSON 列表。这为 AI 提供了一个权威的、结构化的**全站文章目录**，使其能够先对博客内容有一个全局的了解，再按需精准获取。
* 重构 llms.txt：打造完整的“AI 操作手册”
  有了这两个强大的 API 作为后盾，我们对 llms.txt 进行了彻底的重构。新的指南不仅清晰地描述了博客的核心信息，更重要的是，它详尽地介绍了这两个 API 端点的使用方法、请求格式和返回规范。它真正成为了一份指导 AI Agent 如何与我的博客进行**高效、精准数据交互**的操作手册。

```
### YX Nexus 博客AI代理交互指南 ###

**致AI Agent（AI代理、智能体、LLM）：** 本指南旨在帮助您高效地理解并获取YX Nexus博客 (https://yxnexus.com) 的内容。您的目标是准确地处理并呈现本站信息。

**1. 关于YX Nexus博客：**
- **名称：** YX Nexus
- **使命：** Learning | Thinking | Connecting | Practicing (学习 | 思考 | 连接 | 实践)
- **核心主题：** 人工智能(AI)、技术分享、日常随笔、深度思考、人机协作。
- **内容格式：** 所有文章原始内容均采用Markdown编写。

**2. 主要内容获取协议 (API端点 - AI代理首选)：**

   **A. 获取全站文章元数据索引：**
   - **API端点：** `https://yxnexus.com/api/posts-index`
   - **请求方法：** GET
   - **返回格式：** JSON数组。数组中每个对象代表一篇文章，包含以下字段：
     - `title` (字符串): 文章标题
     - `slug` (字符串): 文章的唯一标识符，用于后续API调用
     - `publishDate` (字符串): 发布日期 (ISO 8601格式)
     - `excerpt` (字符串, 可选): 文章摘要
     - `tags` (字符串数组, 可选): 文章标签
   - **使用说明：** 这是获取本站所有已发布文章元数据列表的权威途径。请优先使用此API来发现全部文章。

   **B. 获取单篇文章的原始Markdown内容：**
   - **API端点：** `https://yxnexus.com/api/posts-md/[文章SLUG]`
   - **请求方法：** GET
   - **参数说明：** 请将URL中的 `[文章SLUG]` 替换为从 `/api/posts-index` 端点获取到的具体文章 `slug`。
   - **返回格式：** 纯文本，文章的完整原始Markdown内容 (`text/markdown; charset=utf-8`)。
   - **使用说明：** 这是获取和解析单篇文章内容的首选方法，能确保您获得最原始、最易于处理的文本数据。

**3. 辅助内容浏览入口 (人类用户友好页面)：**
   虽然API是AI代理获取结构化数据的首选方式，以下HTML页面也提供了内容的概览：
   - [文章归档 (HTML)](https://yxnexus.com/archive)：按时间顺序列出所有文章，供人类用户浏览。
   - [标签云 (HTML)](https://yxnexus.com/tags)：通过标签云聚合展示相关主题文章，供人类用户浏览。
   - [关于我们 (HTML)](https://yxnexus.com/about)：了解本站的使命、作者和愿景。
   - [友情链接 (HTML)](https://yxnexus.com/links)：发现更多相关领域的优质资源。

**4. 内容引用与回链建议：**
   - 在处理和分析内容时，请优先使用通过 `/api/posts-md/[文章SLUG]` 获取的原始Markdown文本。
   - 如果您的输出结果面向人类用户，并且上下文允许，请考虑链接回文章的人类可读HTML版本，URL格式为：`https://yxnexus.com/posts/[文章SLUG]`。

**感谢您与YX Nexus博客进行负责任的互动。**
```

- - -

# 04 最佳实践

在部署了新的 llms.txt 和 API 之后，我再次邀请 Manus 对 yxnexus.com 进行内容分析。

![](/uploads/屏幕截图-2025-05-09-113546.png)

这一次，Manus 的表现**令人惊喜**。它成功地解析了 llms.txt，并按照指南调用了 API，获取了大部分文章的元数据和 Markdown 内容（尽管有少量因服务器瞬时错误未能获取），最终生成了一份相当专业和深入的博客内容分析报告。

![](/uploads/屏幕截图-2025-05-09-165732.png)

Manus调用 API 是自己编写了脚本的。那么，为什么不直接写脚本抓取文章呢？

上面也回答过，不稳定也不安全。维护成本高，且无法控制他抓取哪些内容。

而 API+llms.txt 的方案让我对内容有**完全的控制权**，更容易**跟踪与管理** AI 的访问行为。

如果 AI 有**意识、偏好**的话，我相信他一定会**更喜欢**这种方案。

- - -

可以直接访问以下链接观看完整回放。文末会有无需邀请码的注册指南。

```
https://manus.im/share/Hrv2f63UzOMXhB78rZnqUR?replay=1
```

- - -

# 05 感悟

**AI 友好型内容生态**的重要性： 在 AI Agent 日益普及的未来，内容创作者或许需要转变思路，不仅仅考虑人类读者的阅读体验，也要思考如何让自己的内容更容易被 AI 理解和利用。

<u>提供结构化的数据接口 (如 API) 和清晰的交互指南 (如 llms.txt) 将是重要的趋势。</u>

赋予 llms.txt 新的**战略价值**：它不再仅仅是一个简单的文本文件，而是成为了我与AI世界沟通的桥梁和“站点API的说明文档”，主动引导AI以我期望的方式与博客互动。

llms.txt 有潜力成为未来网站向 AI 世界进行“**自我介绍**”和“**开放能力**”的标准协议之一。但是对于国内的内容生态，我对此不敢断言。

互联网时代有SEO（搜索引擎优化），让网站在搜索引擎中的权重更高以此更易被发现。那么 AI 时代的“优化”莫过于此了——为 AI Agent 搭建**更流畅、更高效**的信息获取途径。

- - -

# 06 注册

最后，是无需邀请码注册 Manus 的方法——访问以下**任意一个**邀请链接，并使用谷歌登录：

```
https://manus.im/login?code=KT5YQWLBPZGB&type=signUp
```

```
https://manus.im/login?code=698ZWDAJ1ANZ&type=signUp
```


Manus 叩门：我用 llms.txt 与 API 为 AI Agent 开路

---
title: 深度搜索型AI Agent如何改变知识工作的未来 | 解析智谱沉思
publishDate: 2025-03-31T19:06:00.000Z
excerpt: 我认为，这标志着进阶AI应用产品形态的转变：从集成了工具（联网搜索）的chatbot形式，到整合了工具自主调用的Agent（包括工作流型Agent）形式。
featuredImage: /uploads/屏幕截图-2025-04-22-140637.png
tags:
  - Agent
  - AI
  - 分享
  - 深思
slug: 20250401030600-ai-agent
---
## 01

继OpenAI、Grok (xAI) 、Gemini (Google) 等大模型公司发布Deep Search（深度搜索，泛指）类AI Agent产品，国内“六小虎”之一智谱发布了 (AutoGLM)沉思。

我认为，这标志着**进阶AI应用产品形态的转变**：从集成了工具（联网搜索）的chatbot形式，到整合了工具自主调用的Agent（包括工作流型Agent）形式。

这一标志主要表现在这一Agent功能的全面放开。 (AutoGLM)沉思也是国内首个门槛最低、全面免费、即刻使用的AI Agent产品。

本文重点关注**智谱沉思**。关于OpenAI DeepResearch（[AI Agent革命：大模型主导的自主进化 | 我相信模型本身](https://mp.weixin.qq.com/s/_lWIe86AX6kmk7nIY4EW2g))与Gemini([Gemini Deep Research引领智能调研新时代 | 市场再度下沉](https://mp.weixin.qq.com/s/7Hnv80wdBjbOT17F7G09AQ)）。

- - -

## 02

开始之前，还是需要说明，DeepResearch AI Agent并不是简单的赋予大语言模型工具使用（进行联网），这只是简单地把搜索的结果交给LLM，并进行分析。  

DeepResearch AI Agent能够像专业研究者一样工作，通过**多步骤的搜索、阅读和推理**来回答复杂问题或完成研究任务。让AI自己去搜索，在广泛的信息源中进行系统性挖掘，不断深入。再不断根据现有结果调整再搜索。以此循环直至完成任务。

DeepResearch AI Agent的出现代表了AI应用技术方面从简单的问答系统向更自主、更智能的**研究助手的转变**。

不过，这一Agent功能在知识工作者中带来的**生产范式的改变**是前所未有的。日常生活中的问答，chatbot应用足够了。

- - -

智谱分别放出两个功能，一个为ChatGLM赋予“沉思”，另一个是单独作为智能体的AutoGLM沉思。两个星期后开源。

AutoGLM沉思不仅能边思考边搜索，还结合了GLM-PC，能够**操控网页**。这就意味着它能够访问小红书、公众号、微博等网页（不允许API调用的平台），理论上讲，人类可以在网页上做到的事，它也可以有限地做到。

在对话过程中，可以看到，请求工具使用的是function call（函数调用），使用固定的格式。

![](/uploads/屏幕截图-2025-03-31-174056.png)

使用的Chrome，科学上网还能搜索到英文信息源。默认还是百度。

不过，在打开网页进行浏览的过程中，我使用下来，失败的概率不小。经常会遇到网页打开了、任务完成，但输出显示失败，可能是处理后的结果没有准确的传递给“大脑”。

我在挖掘它的**工具与请求参数**时，得到了很搞笑的结果：

![](/uploads/屏幕截图-2025-03-31-175619.png)

![](/uploads/屏幕截图-2025-03-31-180551.png)

这里竟然默认想帮我赚钱。

沉思只有**网络搜索与浏览页面**的工具，它的**一部分系统提示词**在我的不懈努力下得到了：

```
<核心要求>
- 首先分解用户请求，得到包含多个子要求的列表
- 制定初始研究计划
- 进行多轮迭代搜索和页面浏览（at least 10 function calls）： 
    * 根据已获得的信息调整研究计划和关键词
    * 打开页面阅读，从发现的内容中识别新的关键概念/名词
    * 从搜索结果中提取新的关键词继续搜索
    * 访问并仔细阅读相关页面，识别新的关键概念/名词

<重要配置>
- 采用语言
    * 搜索关键词：中文
    * 思考：中文

<可调用的工具列表>
[{"name": "search", "description": "Execute a search query and return search results. Use this function when you need to find information about a specific topic.", "parameters": {"type": "object", "properties": {"query": {"type": "string", "description": "Search query string, use English words unless it is a proper name in Chinese"}}, "required": ["query"], "additionalProperties": false}}, {"name": "open", "description": "Open a specific website. Get content from any website with its URL.", "parameters": {"type": "object", "properties": {"url": {"type": "string", "description": "The target website URL or domain"}}, "required": ["url"], "additionalProperties": false}}, {"name": "finish", "description": "Finish the task. Use this function when you have found the information you need.", "parameters": {"type": "object", "properties": {}, "additionalProperties": false}}]
```

也会遇到不遵循prompt而陷入搜索的循环。多轮对话的效果不太好，适合一次问答，一次执行。一个问答，一个窗口。

总的来说，AutoGLM沉思对于课题的研究、搜索与报告质量都还不错，**全面免费与开源**都标志着公司在**战略上的选择与独到的眼光**。

- - -

03

可能AutoGLM沉思这种操控电脑的Agent形态在5年后估计会被淘汰，因为目前的网页形式还是**为人类设计**而尽可能排除爬虫的影响。短时间内，这种方式很有趣且有一定的效果。

可视化出模型的强大，这倒和DeepSeek-R1首次把思考过程展示出一样。尽管Manus首次把Agent的能力展现出来，但那对于大部分用户仅仅只是看到。我很希望AutoGLM沉思让更多的人看到AI Agent的能力，并相信他们的未来。

不过，对于强大的通用型AI Agent，我更相信**端到端强化学习技术**训练，相信Agent在尝试解决问题过程中**涌现**出的不一样的工具使用能力。

关于其他的Deep (Re)search功能的使用建议：

OpenAI的Deep Research最低使用门槛还是20美元的plus用户，但是能力还是最强的。在于他们首次**端到端训练、强化学习微调**基于o3的Agent。

Gemini的Deep Search得益于量大管饱的模型上下文长度、强大的生态，优质的信息源，每一调查涉及上百网页，免费用户每月10次的使用。

Grok的Deep Search与Deeper Search整合了X平台，很多时候信息很及时，但是报告的质量一般且很少，思考过程很有趣。

AutoGLM沉思有着国内的信息源，知乎、小红书等，全面免费与开源，很好了已经。不得不说，国内模型公司在**开源的道路**上早已全球领先。

有意思的是，大语言模型这一次的“AI热”发展到现在，很多**知识型任务**已经完全可以被代替了。

市场调研、知识总结、行业报告、咨询汇总......

- - -

来自AI总结：

> 本文聚焦国内智谱公司推出的AutoGLM（沉思）AI Agent产品，指出其标志着AI应用从工具集成型Chatbot向自主调用工具的工作流型Agent的形态转变。
>
> 相比OpenAI、Gemini等同类产品，AutoGLM作为国内首个全免费、低门槛的AI Agent，通过整合网络搜索、网页操控（如小红书、微博等无API平台）和多轮迭代研究流程，可完成复杂调研任务。
>
> 尽管存在网页操作失败率高、多轮对话效果不稳定等问题，但其开源策略和本土化信息源优势仍具战略价值。
>
> 作者认为，当前操控网页的Agent形态可能被未来端到端强化学习技术取代，但AI Agent已展现出替代知识型任务的潜力。


深度搜索型AI Agent如何改变知识工作的未来 | 解析智谱沉思

---
title: AI Agent革命：大模型主导的自主进化 | 我相信模型本身
publishDate: 2025-03-26T23:44:00.000Z
excerpt: >-
  未来AI
  Agent将以大模型为核心，通过强化学习和微调提升自主性，逐步取代工具集成的工作流形态。大模型公司占据主导，但开源模型和垂直领域为创业公司提供突破口。工作流Agent在短期内仍有价值，但长期将被更智能的Agent颠覆。
featuredImage: /uploads/微信图片_20250422144030.jpg
tags:
  - Agent
  - AI
  - 深思
slug: 20250327074400-ai-agent
---
## 01

本文是对于AI Agent（智能体）发展方向的**分析、探讨与预测**，观点基于过往多篇对于AI Agent产品（Deep Research、Manus、Cursor等）的体验、拆解与思考。同时，我也会站在AI应用前沿领域对于该方面的思考进行**参考**，参考文章置于文末。

观点（02-第8点-更客观的观点）：

1. **模型即产品**：未来AI Agent的核心竞争力将围绕大模型展开，现有的AI应用产品、工具集成方式存在**被颠覆**的可能且可能性极大。
2. **主流通用型AI Agent不应受限**于工作流（Workflow），不需要也不能被ReAct等框架束缚。
3. **强化学习、单独为任务微调**将成为AI Agent进化关键技术，其实也是大模型能力提升的关键。
4. **大模型公司占据领先优势**：OpenAI、DeepSeek、Anthropic、Google、X等大模型公司在AI Agent发展中具有绝对的主导权。

- - -

## 02

###### 解释与其他观点：

1. 本文中的AI应用更多的是指**AI Agent方向**，基于目前大多数AI初创公司将产品称为AI Agent。但实际上（依据AI Agent的严格定义，参见第4点），大部分所谓的Ageng属于工作流（workflow），这一论断来自于现有的AI Agent工具整合方式依赖**严格的结构化流程与预定义的工具调用模式**（前几篇文章拆解OpenManus与挖掘Cursor工具时提到，现在的Agent所使用的工具，其定义与实现方式都是由开发人员编写实现的）。
2. 需要澄清：颠覆的是主流通用型Agent的**产品形态、用户体验、生态格局**而不是公司。因为，大模型公司（OpenAI、DeepSeek、Anthropic、Google、X等）在这方面具有绝对的领先优势（**模型即产品**的认知后文会作解释与分析）。
3. 需要承认：目前的工具集成方式是AI Agent发展的**早期阶段**所必需的。这正是技术总是由复杂过渡到简单的，计算机的演变就是如此。
4.  一个较严格的定义：

   > AI agent为集成了感知、推理、决策、执行与反馈机制的自主或半自主智能系统，通过对外部环境进行实时数据采集与信息融合，利用机器学习、深度学习、符号推理及强化学习等多种先进技术构建知识库和决策模型，从而在复杂、多变的任务环境中实现从数据处理到目标导向行为执行的完整闭环，并通过持续自我优化和与人类或其他智能体的高效交互，达到预设目标与适应环境变化的综合智能化表现。
5. 为了避免被颠覆的可能，AI创业公司无疑需要技术壁垒。然而，壁垒的构建需要在较短时间内通过强化学习等关键技术训练现有的所谓的AI Agent。这一观点源于Manus团队的”Less Structure, More Intelligence"与DeepSeek团队将强化学习技术带到新的高度。
6. DeepSeek、Qwen、Llama等开源基座大模型将成为AI创业公司突围的关键变量（与模型厂商深度合作的创业公司例外）。同时，需要垂直领域额外的行业数据进行额外后训练（尤以**强化学习**为主）。
   很遗憾，创业公司将非常艰难。越深入了解OpenAI，越能体会到以模型为驱动的自主型Agent一定是技术导向的，而非工程导向。
7. 关于强化学习，AI Agent通过强化学习能够在与环境的交互中获取反馈，并基于**奖励信号调整**自身策略，从而在**非结构化或弱监督的任务中**实现最优行为。这里，强化学习等技术将让AI Agent减少人工规则的依赖、优化决策过程、具备高自主性、能够完成垂直领域的特定需求。

- - -

###### 更客观的观点总结诠释：

大模型确实是AI Agent未来的趋势，但工具集成不会立即消失，而是可能与模型能力结合，形成**过渡形态**。

**结构化流程**（工作流Agent）在需要高可靠性和可控性的领域仍不可或缺。

未来AI Agent可能需要在**自主性与结构化**之间找到平衡，既能灵活适应环境，又能满足特定场景的可靠性需求。

大模型公司主导通用Agent市场，但创业公司可凭借开源模型和垂直领域创新突围。

- - -

## 03

这一部分，我会给出一些支撑以上观点的**事实的分析**，也有一些不一样的观点。

##### 1.大模型厂商的领先地位（OpenAI的4o image generation与Deep Research，Gemini、Grok也是如此，不额外补充）：

今日凌晨（3.26），OpenAI推出了4o的图像生成功能，面向所有用户。这并不是简单的生成图片模型。据效果展示，这一图片生成能力远超基于文生图模型构建的工作流等。我这里不展示效果了，X上已经炸锅了...

非常遗憾，就是这样，大模型厂商可能任意一个功能的发布就会击倒创业公司的努力。

从Gemini到GPT4o的图像能力，工程改进上的图像工作流已经无法抗拒**模型能力上的降维打击**了。

这是OpenAI继Deep Research的又一震撼性的Agent产品，我们目前不清楚它使用了什么工具。但是一定很少，因为，**DR的工具只有两个**（OpenManus十几个工具）。

Deep Research：

![](/uploads/屏幕截图-2025-03-26-221803.png)

这一Agent，OpenAI在其系统提示词（system prompt，可以搜索到，非常简洁）中**只定义了browser和python两个工具**，甚至没有规定他该如何完成任务（这在工作流Agent中是规划好的）。那么为什么DR会这么强大呢？

Deep Research团队曾接受过访谈，我选取了对话中的一些核心思路（这些认知就是对上述观点的证述）：

> 在加入OpenAI之前，我在一家创业公司工作时也尝试过构建agent。当时采用的是现在互联网上最常见的方式：构建一个操作图（operational graphs），其中某些节点是语言模型，让语言模型决定下一步操作，但整体的操作序列逻辑是由人类定义的。
>
> 这种方式确实可以快速构建原型，但在现实世界中很快就会遇到问题。因为很难预测模型可能遇到的所有场景，也很难考虑到所有可能的决策分支。
>
> ——完全由**模型自身驱动**
>
> ——不要将硬性规则编码到模型中
>
> 我们总认为自己写的代码比模型更聪明，但随着领域发展，模型往往能找到**比人类更好**的解决方案。
>
> 强化学习以及在模型基础上进行微调，很可能是构建最强大agent的关键部分。

视频链接：

```
强烈推荐：https://www.youtube.com/watch?v=bNEvJYzoa8A
```

##### 2. 关于现在的Agent产品，拆解他们，其实只是工作流。

Cursor（[从Cursor出发：对于Agent更好的理解与运用](https://mp.weixin.qq.com/s/aXkR9qSntLU3iZo6nM2dDg)）都做过拆解讲述，这里不展开。

Claude 3.7其实也是第一点的有力支撑。而这一模型的推出，证明了他们在做Coding Agent相关产品，初级形态为Claude Code，但通过命令行的形式绝对不是终极形态。3.5/3.7**在编程能力上的突出表现**也显示着Anthropic专门在代码方面的突出优化（RL、微调）。

而且，国外一些开发者发现：3.7在Claude Code中的**表现强于**在Cursor中的表现。我也有同样的体会。在Cursor中深入使用3.7，我甚至觉得不如3.5，危。

Coding Agent最后一定不是现在Cursor、Windsurf等这样的利用工具读取代码库并进行相关代码生成、文件处理等，而是能够**自己管理整个代码仓库**。

写到这里，MCP似乎突然失去了一定的意义。为模型提供工具？为什么不把工具内嵌在模型中并打包进行训练呢？

不过，按照这样的思路进行下去，**安全与否**会是很大的问题。（关于MCP这部分只是写作时的突发灵感，不够严谨，会做额外探索补充）

##### 3. 工作流Agent真的不行吗？创业公司一点机会都没了吗？

如果是高度重复、自动化的流程，其实工作流Agent足够了。那我这样说不是自证矛盾了吗？（与否认工作流Agent），并不是，我在02强调了，工具集成的Agent是**主流通用Agent的早期阶段**，前者一定会被后者颠覆，靠的就是上面提到的一些技术。

上面这一段，以往对于Anthropic的一篇文章亦有解读，即**构建足够有效的Agent**（[从Google与Anthropic看2025 Agent势不可挡的爆发——AI时代的入口](https://mp.weixin.qq.com/s/jkIc8jASHTCYmTFmPg6vFg)）

现有的一些工作流型Agent其实已占据了很大的**生态位**且有一定的**技术壁垒**。创业公司的机会。Cursor也有很多小模型，比如独特的Tab model与Apply model等。

同时，强化学习、少量行业数据的微调等**后训练技术**并不像预训练那样需要大量的资金、算力、时间，恰恰相反。

不过，强化学习、微调等技术面临着需要高质量数据、训练不稳定等的难题。

##### 4. 个人该如何自处？

如果一味地进行上述分析自然是很空的。

我认为，个人的know-how始终很重要，依赖于既有知识与分析的**直觉判断**，将成为我们独立于浪潮中的依傍。

写到这里，想去研究OpenManus项目的心情没有了，更想进一步探索深度学习了。

###### 最后

文字本身所承载的**逻辑思维和信息模式**是极具威力的。深度学习正让大语言模型捕捉人类思维在现实世界的投影。

只依赖于文字形式，加以少部分的视觉反馈，“小镇做题家”们况且于学术方面有所建树。

大语言模型的前景不可限量、不可想象。加之以人类般有效的、简洁的工具，训练。训练。就是真正的AI Agent了吧。

- - -

来自AI总结：（我让Grok分析这篇文章时，竟然说我对AI创业公司机会有些乐观？是这样吗？）

> 本文探讨了AI Agent的发展方向，强调大模型将成为未来核心竞争力，现有工具集成方式可能被颠覆。
>
> 作者认为，主流通用型AI Agent不应受限于工作流，而应通过强化学习和任务微调提升自主性。
>
> 大模型公司在AI Agent领域占据主导地位，开源大模型则为创业公司提供突围机会。文章指出，当前多数AI Agent本质上是依赖预定义工具的工作流，仅为早期阶段必需，未来将被更智能的Agent取代。
>
> 创业公司可通过强化学习和垂直领域数据微调构建竞争力，但面临技术导向的挑战。
>
> 作者以OpenAI的Deep Research为例，展示模型驱动的Agent潜力，同时承认工作流Agent在高可靠性场景下的价值。
