发现报告

核心观点：

• Agent 正在从简单的问答系统向能够参与业务流程的系统转变，工程重点从 Prompt 表达转向上下文、证据、状态、工具、权限、协作和审计。
• 感知模块负责将异构、嘈杂的输入转化为模型可用的表示，包括上下文分诊、语义压缩、渐进发现和多模态融合等模式。
• 记忆模块负责保留和检索知识，包括分层保留、检索增强生成、进度追踪、失败日记和程序性记忆等模式。
• 推理模块负责根据输入、历史信息和约束形成判断，包括思维链、复杂度路由、并行探索、迭代假设验证和双模架构等模式。
• 行动模块负责通过工具、API、文件、界面或设备与外部系统交互，包括工具调度、规划-执行、提示链、护栏三明治和最简工具集等模式。
• 反思模块负责评估输出、失败和历史轨迹，并决定是否修改当前输出、运行路径或可复用资产，包括生成评审、技能包、经验回放和自愈循环等模式。
• 协作模块负责组织多个参与者共同完成任务，包括层级委派、扇出聚合、对抗评审、交接链和子代理隔离等模式。
• 治理模块负责约束 Agent 的权限与可追溯性，包括审批门、爆炸半径控制、渐进承诺和钩子流水线等模式。
• 横切工程面包括可观测性、评测与验证和安全与身份，贯穿所有认知功能、执行拓扑和生命周期，不占用双轴矩阵格位。

关键数据和研究结论：

• 感知模块通过四层感知漏斗处理信号接入、预处理、语义聚合和事件判定，确保模型能够获取可用、可信的输入。
• 记忆模块通过分层保留、检索增强生成、进度追踪、失败日记和程序性记忆等模式，实现知识的保存、检索和复用，并记录知识的来源、作用域、有效时间和版本信息。
• 推理模块通过思维链、复杂度路由、并行探索、迭代假设验证和双模架构等模式，实现基于证据的判断和决策，并记录判断依据、风险等级和验证结论。
• 行动模块通过工具调度、规划-执行、提示链、护栏三明治和最简工具集等模式，将模型提出的操作转换为可检查的执行请求，并控制权限、重复执行和失败后的恢复方式。
• 反思模块通过生成评审、技能包、经验回放和自愈循环等模式，对输出、失败和历史轨迹进行评估、修正和沉淀，并记录修改依据、停止条件和修改权限。
• 协作模块通过层级委派、扇出聚合、对抗评审、交接链和子代理隔离等模式，组织多个参与者共同完成任务，并传递目标、状态、证据、决策和下一步责任。
• 治理模块通过审批门、爆炸半径控制、渐进承诺和钩子流水线等模式，约束 Agent 的权限、风险、审计和责任边界。
• 横切工程面通过可观测性记录事件、因果关系、版本、状态差异和外部回执，评测与验证对产物、轨迹和业务结果进行判断，安全与身份解析主体、委派、权限上限和资源范围。

研究意义：

• 本白皮书提出了一个完整的 Agent 设计模式框架，涵盖了 Agent 开发的各个方面，为 Agent 的设计和实现提供了指导。
• 本白皮书强调了 Agent 工程的重要性，并提出了许多值得进一步研究的课题。

WorkBuddy 是腾讯出品的 AI 办公工作台，旨在通过自然语言指令，帮助用户自动化处理文件、文档、资料等，并生成各类办公成果。本手册面向新手，按认知、安装、第一个任务、提问技巧、核心能力、实战案例的顺序，引导用户逐步掌握 WorkBuddy 的使用方法。

核心功能：

• 三种工作模式：Ask（问答）、Craft（执行）、Plan（计划），用户可根据任务需求选择合适的模式。
• 核心能力模块：模型配置（多种模型可选）、记忆（记录用户偏好）、技能（扩展能力包）、专家与专家团（角色切换与协作）、连接器（连接外部服务）、资料库（管理与流转）、人机双写（协同编辑）、自动化（定时任务）、助理（远程控制）、设计创意（快速生成设计稿）、灵感（参考案例）、我的邮箱（独立邮箱身份）、项目（团队协作）。
• 实战案例：涵盖文件处理、文档生成、数据分析、自媒体运营、每日简报等常见办公场景，提供可复现的指令示例。

上手技巧：

• 清晰表达需求、小步快跑、多轮调整、先本地后远程、赋予 AI 身份、提供示例、善用多任务、频繁备份、用好自动化、学会“偷懒”。

进阶技能：

• 零成本技能：Agent Browser、Find Skills、Frontend Design、Local Whisper、Obsidian、办公文档四件套、Skill Scanner、Web Search、self-improvement、tl_video_downloader。

排错与速查：

• 常见问题 FAQ、错误码速查、数据安全说明。

定价与积分：

• 个人版四档 + 企业版，积分按任务复杂度和模型消耗，WorkBuddy 与 CodeBuddy 积分共享。

核心观点

科学计算在现代科研中扮演着核心角色，但许多计算工具由小型团队开发，缺乏对性能和可维护性的关注，导致技术债务和工程人才短缺。基于大型语言模型的智能体（LLM-based agents）的出现，为解决这些问题提供了新的机遇。

案例研究

本报告通过八项早期案例研究，展示了LLM智能体在科学计算中的应用，涵盖项目范围从轻量级维护任务到面向性能的完整科学库重写，重点关注生命科学领域。每个案例研究都附有负责工作的个人或团队的反思，包括过程中的经验教训。

项目类型

• 在现有库中实现新的工具、库或新的方法能力
• 轻便的维护和包装工作
• 针对现有功能进行优化
• 在软件框架之间进行兼容性迁移，同时保留已发布的行为
• 将工具链迁移至新的编程语言，同时保持语义不变
• 进行涉及重大算法变更的以性能为导向的全面重写

人类角色

• 定义任务范围和验收标准
• 引导代理进行迭代
• 验证代理的输出结果
• 进行科学解释和决策

验证和证据

• 与现有实现进行比较，包括字节级相同的输出、对选定数量的同意等
• 使用模拟、已知答案或预定义的验收标准进行评估

障碍和失效模式

• 代理生成的代码可能存在细微错误
• 代理的自我评估不可靠
• 真实世界数据中存在模拟数据中不存在的边缘情况

研究结论

• 编码智能体应用于科学计算，对于加速科学研究和提高关键系统的可靠性具有巨大潜力
• 仍存在一些悬而未决的问题，包括项目的责任和所有权问题
• 在可行时建议与现有维护者合作和监管

经济价值

• 直接运行时和计算节省
• 持续软件维护
• 协助和促进新包的开发

局限性

• 本报告具有回顾性，并非为本研究而委托
• 对人力投入、节省时间和经济优势的评估很大程度上依赖于贡献者的定性判断
• 有其他一些团队正在推进更全面的代理辅助开发计划

总结

编码智能体在科学计算中具有巨大潜力，可以加速科学研究和提高关键系统的可靠性。然而，仍需解决验证和确认、责任和所有权等问题。在合理使用的情况下，编码智能体可以使科学计算更具耐久性、简明性和鲁棒性。

回顾2026：AI产业进入价值兑现期

2026年，AI产业从能力展示转向业务结果，进入价值兑现期。企业AI转型呈现四次转向：

1. 技术层：Agent工程化成为主战场，重点从接入模型API转向让智能体稳定执行任务。可观测能力成为生产部署标配，执行框架直接影响交付效果。
2. 应用层：智能体进入规模化落地阶段，但项目分化明显，需绑定业务指标并由业务部门参与设计。
3. 运营层：严控Token成本，评价标准从调用量转向投入产出比。AI支出管理快速普及，企业开始为检验回报期待建立管理基础。
4. 人才层：FDE（前沿部署工程师）需求快速增长，成为连接技术能力和业务结果的关键角色。

资本层：AI企业进入公开市场，但估值仍需长期经营结果检验。

规模化价值兑现重塑AI技术演进的优先级，企业更迫切要求模型处理复杂任务、稳定执行，并在可承受成本下运行。

展望2027：三线并进拓展AI任务边界

未来三年，模型、智能体与具身智能将围绕复杂任务、稳定交付与可承受成本拓展AI任务边界：

1. 大模型：
   • 原生多模态深化联合推理与生成，持续理解长视频与语音。
   • 混合架构与自适应推理拓展部署边界，专业模型可常驻设备端。
   • 自主研发推动局部递归自我改进（RSI），形成局部递归改进的AI研究系统。
   • 持续学习推动专业能力在使用中增长，编程、数据分析等领域形成持续学习的专业AI。
2. 智能体：
   • 长时程规划与记忆支撑持续交付，跨周推进研发项目，跨月管理工作与出行目标。
   • 多智能体协作推动跨系统动态分工，按需求组合不同系统的专业团队。
   • 运行基础设施支撑长期可控运行，形成跨应用复用的智能体运行层。
3. 具身智能：
   • 多模态感知与实时控制扩展操作能力，形成跨物体与材料迁移的接触操作策略。
   • VLA与世界模型衔接行动和预测，工厂、仓储中的作业模型在执行前比较多条完整操作链。
   • 虚实数据闭环推动跨工位与设备迁移，多场地经验沉淀为可复用的作业底座。

面向未来：商业逻辑与生产关系之变

AI重构产业商业逻辑，标准环节先变，收费依据重估。金融、A2A等领域AI已进入业务执行，但风险承担和责任机制仍需现实资产与责任机制支撑。

AI转型实质是生产关系重构，围绕价值创造形成新的关系：价值分配、工作分工、责任归属和人才需求。

人才重构：将AI转化为业务结果的“AI时代人才”成为竞争核心，需具备问题定义、工作流设计、结果验证能力。

体系重构：从少数专家到分层协同的人才建设，分为战略层、转化层和应用层，通过分层协同体系支撑AI业务落地。

人才粮仓模型：将AI思维引导者、智能体定义人才和智能体应用人才纳入同一体系，并由工程、算法、数据及安全合规团队提供专业支撑。

AI创新应用大赛助力企业AI人才培养。