像 Cursor、Windsurf 这些编码 Agent开云kaiyun.com，当今依然能很好地赞成咱们写代码了。它们之是以能作念得这样出色，其中一个鬈曲原因即是编码任务的数据相对更容易赢得，况兼铁心绝顶客不雅，作念评估（Evaluation）也荒谬便捷。毕竟代码跑得通即是通，跑欠亨即是欠亨，黑白分明。

这也就不难雄厚，为什么编码赞成这条赛说念当今大厂们都卷得横蛮了 —— 毕竟，要领员的薪资可不低，能提高后果、裁减资本，谁不爱呢？

🌐 Web Agent：挑战真确寰宇的复杂性

再来望望 Web Agent，各家大厂也接踵推出了不少这类智能体，比如最近的一些 Deep Research 智能体。它们在完成一些浅易的、通用性任务上判辨还行，但一朝碰到复杂的多身手长链操作，或者需要特定限制常识（domain knowledge） 的任务，Web Agent 的水平基本也就只可到实习生级别了。

比如，让它生成一份专科的行业商榷陈诉，名义上看可能逻辑完满、篇幅饱胀，但你仔细一看，就会发现多样 “幻觉”（胡编乱造）、信息冗余、践诺缺乏等问题。这时分，如何评价这份陈诉的质地，就真实需要专科东说念主士的常识来对王人了。毕竟，Deep Research 考研的是信息搜索、追忆索求、践诺生成等一系列概述才调。

伸开剩余63%

【我的成见✍️】 目下 Web Agent 限制，高质地的数据和简略全面商量其复杂才调的 Benchmark，都还挺稀缺的。这恰是其发展亟需谋害的要津点。

🎯 GUI Agent：模拟东说念主机交互的终极挑战

GUI Agent 可以说是模拟东说念主类操作电脑的终极口头了。它的输入是屏幕截图（相配于 AI 的 “眼睛”），输出则是下一步要扩张的操作（比如点击那里、输入什么）。其中枢才调在于 臆测（Planning）和多模态落地（Multi-Modal Grounding），用来雄厚屏幕截图上的践诺，并臆测下一步怎么操作。

天然说，有几千条高质地的操作轨迹数据，谋划强化学习（RL）就能带来可以的提高，但如何构造高效且准确的长链轨迹数据，于今仍然是一个难以绕开的重大挑战。因为现实中的东说念主机交互旅途太复杂、太机动了，况兼好多隐微的判断，AI 目下还很难捕捉。

中枢挑战：高质地数据与灵验 Benchmark 不行或缺

不管是哪种 Agent，当下主流的时候决议无外乎两种：

基于基础模子搭建 Workflow（责任流）并谋划模子推理： 这种表情通过编排大模子的调用限定和逻辑来完成任务。

径直对模子进行微调（Model Tuning）： 让模子更好地恰当特定任务和数据。

但不管是哪种决议，都离不开高质地的数据和灵验的 Benchmark（评估基准）。

好的 Workflow 筹谋，需要稀有据和 Benchmark 去不休地对王人和优化。

要微调模子，那就更无谓说了，数据是它的 “粮食”。

强化学习（RL）也荒谬贴合 Agent 的场景，因为它通过奖励机制来起头模子学习。但这些 奖励函数（Reward Function）的筹谋，通常也离不开好的 Benchmark 来评测和开采，不然模子可能学不到你想要的东西。

【我的念念考🤔】 是以你看开云kaiyun.com，AI 智能体发展到当今，最中枢的瓶颈，依然在于咱们到底能提供若干 “高质地的东说念主工智能”—— 也即是若干来自东说念主类群众教化、标注、反应千里淀下来的数据和评价圭臬。这决定了 AI 能走多远，能有多 “智能”。

发布于：湖南省