Agent 真实成熟度比想象低，窗口期还在

最近和美国硅谷几家 AI 创业公司的创始人语音聊了一下，也顺便聊了聊他们现在在做的 Agent 相关事情。

这几家公司有刚起步的，也有融资几千万美金的，还有一家融资过亿美元。

一个比较真实的感受是：除了头部那几家之外，其实很多团队现在也还在探索阶段，并没有大家想象中那么成熟。

尤其是在 Agent 这个方向，很多团队目前也只是做一些基础框架、workflow 编排或者简单的 agent 应用，真正深的技术积累其实并不多。

从技术发展阶段来看，Agent 现在其实还处在比较早期的阶段，技术路径、产品形态都还没有完全定型。

所以对做技术的人来说，这个方向其实还有明显的窗口期。

不管是做开源、做产品、做创业，亦或者去海外参与这个方向，现在都还不算晚。

workflow 编排到什么程度了

这本来就还在早期，框架很多就还在不停变化，比如langchain不是直接1.0重构了实现全变了

小体量现在难搞咯

openclaw 的爆火，让一部分人迷失

佬知道应聘这些方面的研发，需要什么程度的技能吗？
比如说，只根据spring ai alibaba做过他们几个官方的agent好workflows项目，是否足够应聘？

想问一下佬，现在想做Agent开发，需要掌握哪些技术栈呢（企业里会用langchain这样的框架,还是自研呢）？怎样的项目才算有竞争力？

确实有点盲目的崇拜了，Peter那个项目感觉做个人助理在一些情况下确实不错，但不是万能的

玩了一会龙虾，我也差不多了解了 Agent 的成熟度。

我的理解 70% 是工程，30%是 AI。

简单说下学习路径，以供参考

1. 补 AI 基础认知

• 上下文窗口的限制、temperature/top_p 怎么影响输出
• Function Calling / Tool Use 的原理
• PE 的基本套路：few-shot、CoT、ReAct
• 各家模型横向对比（国内外主流模型，通过深度使用对差异性有自己的理解）

3. RAG 全链路

• 文档解析（PDF、网页、代码）→ 分块策略（固定长度 vs 语义分块）
• Embedding 模型选型（OpenAI ada、BGE、Jina）
• 向量数据库（Milvus、Chroma、Pgvector）
• 检索策略：向量检索 + BM25 混合检索、rerank、query 改写
• 生成阶段：context 拼接、prompt 模板、幻觉控制

4. Agent 架构

• 单 Agent：ReAct 模式、Tool Calling、Memory 管理
• Multi-Agent：任务拆解、Agent 间通信、结果汇总
• 框架层面 LangGraph、CrewAI、AutoGen 选一两个深入看，但重点不是 API 怎么调，而是理解它们的设计思想
• 自己从零实现一个简单的 Agent 框架。可以看下我的开源你项目：Blade-Code、Blade Agent SDK

5. 工程化

• Agent 可观测性：怎么 trace 每一步的推理过程、工具调用、耗时
• 效果评测：怎么量化 Agent 的效果、怎么做回归测试
• 成本控制：token 用量监控、缓存策略、模型降级
• 部署：流式响应、并发控制、队列管理、沙箱管理

初期阶段用框架没问题，所以还是要了解，这样可以快速搭出来看效果。
长期来看，还是有走到自研

好的，多谢大佬！

现在都是雏形，什么时候像spring这种拥有绝对统治力的框架出现了，才进入高速发展的应用场景

我一直觉得小龙虾就是个半成品

感觉还是不够稳定，cc这种很不错，但大龙虾还是太不稳定了，特别指令理解跟记忆，不知道业界有没开始弄这个方向的。

只能说它让大家看到了LLM应用化的可能吧，还有应用的场景

ai 焦虑