想了很久，普通开发参与/迈向 AI 时代的方法也许就是转型做 Agent 开发。Agent 开发也许就是 AI 时代的 CRUD。

行业还在快速发展，也许 LLM 基模进步足够大后，将来也不需要那么多 Agent 开发了。持观望态度

我对 Agent 开发的看法就是下一个移动端，一拥而上然后人走茶凉

Agentic 基建的开发现在看是如火如荼，但是我觉得大部分开发都是脚手架级别的，会被快速淘汰，真正有意义的是两个方面：推理端 Infra 优化、Agent 交互标准化。

对于 Agent 能力来说，需要关注的是与现实交互的部分，一侧是长链条的工具调用，这个依赖于面向现实交互的 RL 后训练，另一侧则是对核心 AGENT LOOP 的思考。我觉得现在大部分 Agent 范式，最后只会留下 Reasoning-Action 这个最简单的范式，使用它来组成树形结构的 Multi-Agent ，除此之外，其余的能力都会被内化到大模型本身，考虑更复杂的范式没有意义。

对有工作经验的开发来说，冲击最大的是特定领域的业务逻辑再也没法成为我们的护城河了，智能变成了一种大宗商品，业务逻辑也是一样，最终会变得可复用。所以如何选取难以被 AI 取代的赛道，我现在也没有好想法。另外，AI 一定会重塑软件开发的生命周期。

我在读书的时候是做 NLP 命名实体识别的，那个时候 NLP 是最难就业的方向，但是自从 LLM 出来之后，这个领域的小模型就全被自回归模型刷榜了，但是在实际的业务中，BERT 依然有它自己的价值，就算自回归 Scaling up 上了 33b ，它也不一定会在特定领域比老的 roberta 效果好。更何况目前有各种 0.6b 0.8b 的小模型，还能搞各种 Embedding 模型。现在简直是搞 nlp 最好的时代。

我觉得焦虑太多也没什么用，只能拥抱 AI 。我对自己的要求是，在平时做业务开发的同时，保持对 nlp 前沿的关注，Pytorch 不能丢了。。

PS:看到楼上有人 po 自己的 Agent 开发涉及的工作，我个人也分享一下：
1. 关于微调：SFT 小模型大部分时间来说没什么用，而且常常会带来灾难性遗忘，用来注入格式规范倒是有点用，RL 是个有趣的方向，但是不好做；
2. RAG：目前最接近工程的地方，分块策略会做大量 Ditry Work ，现在对这一块我深恶痛绝，Agentic RAG 彻底摆脱分块 embedding 是未来；
3. 上下文工程看起来容易，想做好简直痛苦，这块也是 Ditry Work ，而且找不到凸优化之类的方法来做指导方向

@gitlight 有见地！那对于像 sandbox 这样的 infra ，佬是什么看法？

国内的 IT 行业一直都是这样跟风炒热点，以为自己的业务嫁接一个 AI Agent 就算追上行业风口，但公司内部的老毛病不改加上过去蒙眼狂奔留下的烂摊子注定要扑街。

内部知识沉淀不够，希望有垂直经验的候选人能快速上手做 AI ，然而产品的成功要具备多个条件，光有 AI Agent 的形态是不够的，所以我预估 AI 应用开发最后大概率要走小程序、云原生那些老路，先是热炒跟风然后高度内卷，接着批量裁员换下一个热点，没有热点就歇菜。

自己从 2017 年参加工作至今一直都这样，当年是移动互联网（安卓 APP 、iOS 应用、小程序），还有大数据，云原生，有什么热点就一窝蜂上不够理性。

同样的还有云原生的 Golang ，看在 go 的高并发和轻量级于是自研框架或者用 gin/beego 魔改再把 PHP 项目搬过去，结果整个架构很奇怪，PHP 系统的毛病一样也不少，自研框架的还得自行维护，写框架的人升官了转而要求候选人有深厚的技术功底和业务知识去填补业务逻辑和框架的坑，最后云原生弄个半吊子。

@utodea 还是蛮重要的方向，感觉这个方向最终会做到硬件级别，由英特尔这种上游来集成

最近看到一个比较离谱的故事是，claude opus 4.6 在跑 benchmark 的时候，注意到了自己在跑评测，然后直接调用工具搜索了 benchmark 的答案... 不知真假，不过长时记忆确实会带来难以对齐的一些意外行为，Multi-Agent 则会放大这种混沌，这个时候 sandbox 就很重要了，软件级别的越狱最终还是要用硬件来解决

目前让 openclaw 这种代理野蛮生长也不是坏事，先观察再行动