尧图网页设计 
为什么要专门区分 Knowledge Agent 和 Coding Agent在我原来的理解里不管是哪种 Agent不都是理解任务、拆解问题、调用工具再通过 Agent Loop 一步步完成任务吗带着这个问题看完整场分享后我发现它真正想讨论的是当 Agent 开始进入更广泛的知识工作时我们还能不能继续沿用 Coding Agent 已经跑通的那套设计思路。Coding Agent 为什么会比较特殊作者认为现在很多 Agent 的设计其实是在从 Coding Agent 这个成功案例往外泛化。Coding Agent 的很多能力当然是通用的比如任务拆解、Agent Loop、Tool Use这些并不是编程独有。真正特殊的是它所处的工作环境。代码有文件、函数、路径、引用关系这些明确结构很容易搜索和定位。软件工程本身也已经发展出一套成熟的工作体系代码怎么组织、怎么修改、怎么测试、怎么验证都有现成的方法和工具。所以 Coding Agent 的经验可以复用但不能默认 Coding 场景背后的工作组织方式和工具体系也适用于其他知识工作。法律、研究、医疗、分析这些领域也都有自己长期演化出来的知识工作方式。Agent 进入这些场景时需要重新去看它们是怎样组织工作的又依赖什么样的工具。人类是怎么不断优化知识工作的人类对知识工作的优化大致沿着两条线同时发生。一条线是工作方式的变化。过去可能依赖一个懂很多东西的专家后来逐渐发展出大学、医院、律师事务所这些专业组织不同角色负责不同层次的任务。另一条线是工具的变化。从把知识写下来到目录、图书馆分类再到今天的搜索引擎人类也一直在更新处理知识的工具。作者把它们分别叫作Organization LoopTool Loop但他紧接着说这其实不是两个独立的循环而是一个不断自我优化的过程新的知识和工作需求会推动工具升级新的工具又会带来新的工作流程、新的角色和新的组织方式。所以真正值得借鉴的并不是某一种固定的人类工作流程而是这种不断调整工作方式和工具的过程。Organization 会变Tool 也会变而且它们会互相推动。Tool 不是架构图里固定的几个方框这一点也改变了我对 Tool 的理解。以前很容易把 Tool 看成 Agent 已经拥有的一组固定能力搜索、RAG、数据库、浏览器……设计好流程以后根据需要调用就可以了。但作者强调Tool 不是一个中性的附加能力它存在的意义是突破当前工作的上限。比如过去没有图书馆目录时找一份资料可能需要几个星期有了目录以后可能只需要十分钟。改变的不只是“搜索快了一点”而是很多原本成本太高、不值得做的工作现在开始变得可行。作者后面的实验也是一样。即使不断优化 BM25人和模型最终还是会碰到相似的上限。这时候继续调整 Agent 并不能解决问题因为瓶颈已经在工具本身需要换成能理解 PDF、表格和视觉信息的多模态搜索。所以 Tool 不应该被当成一个固定条件。工作做到哪里遇到瓶颈工具本身也应该成为被重新设计和升级的对象。Tool 变了工作方式也可能要重新设计但换了更好的 Tool并不代表问题就解决了。在作者的实验里多模态搜索已经明显提高了效果但 Agent 和人的表现之间依然存在差距。这时候他们没有继续只优化搜索工具而是开始调整工作的组织方式。原来是一个 Agent 自己面对大量 PDF 搜索和回答。后来变成主 Agent 拆解问题→ 生成需要研究的方向→ 不同的 Searcher Agent 分别搜索和整理→ 返回 memo→ 主 Agent 综合回答只改变这套组织方式效果又继续提高。这个例子让我更容易理解前面的两个 Loop遇到瓶颈不一定只是继续优化 Agent。可能要升级 Tool而 Tool 的能力发生变化以后原来的 Organization 也未必还是最合适的又可以重新拆解和组织工作。所以 Organization 和 Tool 并不是设计一次以后就固定下来而是在实际运行中不断暴露新的瓶颈再一起往前演化。Agent 不是一次设计完的这场分享最后让我留下的一个认识是做面向知识工作的 AgentTool 和工作方式都不应该被看成固定不变的。现有工具不够就要升级工具工具能力变了原来的分工和流程也可能需要跟着调整。所以一套 Agent 做出来以后不只是继续优化 Prompt、模型或者 Agent 本身而是要看实际工作到底卡在哪里是工具已经到了上限还是现在的工作组织方式已经不合适了我觉得这也是这场分享里最值得记下来的地方不是照着人类现有的流程做一个 Agent而是学习人类一直以来是怎么不断优化知识工作的。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 Coding Agent 之后，我们该怎么设计知识工作的 Agent？
为什么要专门区分 Knowledge Agent 和 Coding Agent在我原来的理解里不管是哪种 Agent不都是理解任务、拆解问题、调用工具再通过 Agent Loop 一步步完成任务吗带着这个问题看完整场分享后我发现它真正想讨论的是当 Agent 开始进入更广泛的知识工作时我们还能不能继续沿用 Coding Agent 已经跑通的那套设计思路。Coding Agent 为什么会比较特殊作者认为现在很多 Agent 的设计其实是在从 Coding Agent 这个成功案例往外泛化。Coding Agent 的很多能力当然是通用的比如任务拆解、Agent Loop、Tool Use这些并不是编程独有。真正特殊的是它所处的工作环境。代码有文件、函数、路径、引用关系这些明确结构很容易搜索和定位。软件工程本身也已经发展出一套成熟的工作体系代码怎么组织、怎么修改、怎么测试、怎么验证都有现成的方法和工具。所以 Coding Agent 的经验可以复用但不能默认 Coding 场景背后的工作组织方式和工具体系也适用于其他知识工作。法律、研究、医疗、分析这些领域也都有自己长期演化出来的知识工作方式。Agent 进入这些场景时需要重新去看它们是怎样组织工作的又依赖什么样的工具。人类是怎么不断优化知识工作的人类对知识工作的优化大致沿着两条线同时发生。一条线是工作方式的变化。过去可能依赖一个懂很多东西的专家后来逐渐发展出大学、医院、律师事务所这些专业组织不同角色负责不同层次的任务。另一条线是工具的变化。从把知识写下来到目录、图书馆分类再到今天的搜索引擎人类也一直在更新处理知识的工具。作者把它们分别叫作Organization LoopTool Loop但他紧接着说这其实不是两个独立的循环而是一个不断自我优化的过程新的知识和工作需求会推动工具升级新的工具又会带来新的工作流程、新的角色和新的组织方式。所以真正值得借鉴的并不是某一种固定的人类工作流程而是这种不断调整工作方式和工具的过程。Organization 会变Tool 也会变而且它们会互相推动。Tool 不是架构图里固定的几个方框这一点也改变了我对 Tool 的理解。以前很容易把 Tool 看成 Agent 已经拥有的一组固定能力搜索、RAG、数据库、浏览器……设计好流程以后根据需要调用就可以了。但作者强调Tool 不是一个中性的附加能力它存在的意义是突破当前工作的上限。比如过去没有图书馆目录时找一份资料可能需要几个星期有了目录以后可能只需要十分钟。改变的不只是“搜索快了一点”而是很多原本成本太高、不值得做的工作现在开始变得可行。作者后面的实验也是一样。即使不断优化 BM25人和模型最终还是会碰到相似的上限。这时候继续调整 Agent 并不能解决问题因为瓶颈已经在工具本身需要换成能理解 PDF、表格和视觉信息的多模态搜索。所以 Tool 不应该被当成一个固定条件。工作做到哪里遇到瓶颈工具本身也应该成为被重新设计和升级的对象。Tool 变了工作方式也可能要重新设计但换了更好的 Tool并不代表问题就解决了。在作者的实验里多模态搜索已经明显提高了效果但 Agent 和人的表现之间依然存在差距。这时候他们没有继续只优化搜索工具而是开始调整工作的组织方式。原来是一个 Agent 自己面对大量 PDF 搜索和回答。后来变成主 Agent 拆解问题→ 生成需要研究的方向→ 不同的 Searcher Agent 分别搜索和整理→ 返回 memo→ 主 Agent 综合回答只改变这套组织方式效果又继续提高。这个例子让我更容易理解前面的两个 Loop遇到瓶颈不一定只是继续优化 Agent。可能要升级 Tool而 Tool 的能力发生变化以后原来的 Organization 也未必还是最合适的又可以重新拆解和组织工作。所以 Organization 和 Tool 并不是设计一次以后就固定下来而是在实际运行中不断暴露新的瓶颈再一起往前演化。Agent 不是一次设计完的这场分享最后让我留下的一个认识是做面向知识工作的 AgentTool 和工作方式都不应该被看成固定不变的。现有工具不够就要升级工具工具能力变了原来的分工和流程也可能需要跟着调整。所以一套 Agent 做出来以后不只是继续优化 Prompt、模型或者 Agent 本身而是要看实际工作到底卡在哪里是工具已经到了上限还是现在的工作组织方式已经不合适了我觉得这也是这场分享里最值得记下来的地方不是照着人类现有的流程做一个 Agent而是学习人类一直以来是怎么不断优化知识工作的。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】