--- title: "Agent落地真相：协议、成本与进化——一场关于智能体从能跑通到能投产的讨论" type: raw source: wechat ingested: 2026-07-03 sha256: 1a2d0d6b953c3a9c26a4f56d9bd79240be0d35e1f91561100a158656ddcbb905 --- # Agent落地真相：协议、成本与进化——一场关于智能体从"能跑通"到"能投产"的讨论 # Agent落地真相：协议、成本与进化——一场关于智能体从"能跑通"到"能投产"的讨论 [ DataFun ]() __ _ _ _ _ 在小说阅读器读本章 去阅读 在小说阅读器中沉浸阅读 直播推荐 从金融风控到数据语义，再到自进化工程，谈谈智能体的“进化与防退化” 扫码加入直播交流群，更有精华资料免费领！ 2026年6月25日晚，DataFun 技术社区举办了一场关于 Agent 智能体企业级落地的深度对话 。主持人古永丰——FoundationAgents 开源社区核心成员、DeepWisdom 学术研究员——与两位来自一线实战派的技术负责人：深圳价值网络科技技术副总监况雨平，以及碧桂园服务集团技术总监毛卓，围绕 Agent 落地的三个核心命题——协议协作、自进化能力与成本控制——展开了一场长达90分钟的坦诚讨论。 这场对话没有回避任何尖锐问题：Agent 跑通了 Demo 却无法投产，到底缺什么？60%以上的 Token 都是无效消耗，这是技术问题还是管理问题？当 AI Coding 大规模铺开，产品经理、开发、测试的角色究竟谁被强化、谁被弱化？三位嘉宾从协议层、工程层、管理层三个维度，用各自的实战经验，描绘了 Agent 在理想与现实之间的真实图景。 本文完整记录了这场讨论的核心内容，力求以对话的形式还原现场的思辨氛围，为正在推动 AI 落地的技术团队提供有温度的实战参考。 扫码报名 ** 01 ** ** 话题一：Agent 进入业务，最被忽视的短板是什么？ ** 当主持人古永丰抛出第一个问题时，三位嘉宾几乎不约而同地指向了同一个方向——但角度完全不同。 毛卓从成本维度切入，语气沉稳却直击要害：“对传统企业来说，一个 Agent 能不能落地，首先要看业务价值。没有业务价值的东西肯定走不远——你建了很多 Agent 团队，最终如果不能给业务带来价值，又要烧掉那么多 Token，这个项目只能是失败的。”他所在的碧桂园服务有数十万内部员工，他算了一笔账：如果一个 Agent 铺开使用，一年下来几千万甚至上亿的 Token 费用并非天方夜谭，“那你就要算 ROI 了——投入这么多研发费用，能不能带来净利润的增长？” 况雨平则从工程落地的角度接过了这个话题。他没有停留在成本数字上，而是指出了更深层的结构性短板。“我们很多同学个人提效能做到60%到80%，但一到团队层面，效果就掉到20%。”他分析，根因在于三点：需求的上下文不稳定——“产品说一套，研发理解一套，测试验证又是一套，AI 没有稳定的上下文输入，写得越快，偏离得越远”；过程不可追溯——“AI 作为黑盒，执行过程完全不知，关掉对话框就忘记了”；结果不可治理——“只看 AI 生成多少行代码，却不看需求能不能按时交付、质量有没有提升、Bug 有没有下降”。他总结道：“企业缺的不是一个更会聊天的模型，而是一整套流程化、工程化、可沉淀的 Agent 承接体系。” 古永丰则从研究者的视角补充了一个更底层的问题——Agent 之间缺乏连接。“Agent 现在长出了思考的大脑和行动的手脚，但它们之间还是隔离的。”他说，发现、协作、交易、信任和声誉这些基本能力，不能长期散落在 Prompt、日志和私有 API 里。 这场讨论揭示了一个核心共识：Agent 从 Demo 到投产，不是单个模型能力的提升问题，而是工程体系、管理流程和底层协议三重缺口的叠加。 ** 02 ** ** 话题二：Foundation Protocol 与 Spec-First——两个“底座”如何衔接？ ** 当讨论从问题转向解决方案时，古永丰的 Foundation Protocol（FP）和况雨平的 Spec-First 理念形成了有趣的对照。 古永丰率先厘清了边界：“我觉得这两个东西并不在同一个层面。我们更想解决的是 Agent 之间交流的问题——你的 Agent 和我的 Agent 怎么连接起来，怎么让它们共享信息而不冲突。”他用了一个生动的比喻：“你用微信只有一个主线任务，但作为一个经理要联系很多人，其实会占用你的心智。Agent 之间要连接起来，也会消耗它们的心智，我们的目标不是提升单个 Agent 的能力，而是让连接这件事不成为负担。” 况雨平非常认同这种层次区分，并进一步明确了上下游关系。“协议层解决的是 Agent 之间怎么连接——人、工具、服务和组织如何被统一建模、发现、协作和建立信任。流程层解决的是 Agent 进入研发流程后怎么做事——需求怎么被澄清、方案怎么被沉淀、任务怎么被执行、代码怎么被评审、经验怎么被复用。”他给出了一个精炼的定位：“协议底座是长期的基础设施，流程抓手是当下的落地切入点。” 毛卓则从企业架构的宏观视角提供了佐证。他描绘了一个大胆的未来图景：“未来的企业会不会只有一个超级智能体？一打开电脑就是这个智能体，所有系统都退到后台变成服务。”他认为，在这种愿景下，FP 这样的协议底座将成为不可或缺的“操作系统级”能力——“各个系统之间要打通，必然需要一个标准协议来支撑这种体系。” 扫码报名 ** 03 ** ** 话题三：协议层与工具层——哪个更容易被业务接受？ ** 这个问题在三位嘉宾之间几乎没有分歧，但他们的回答层次分明。 “肯定是工具层。”古永丰的回答毫不含糊，“就像 HTTP、TCP/IP，越底层越往后，没人会关心握手了几次、先发什么后发什么。你只需要用封装好的 SDK 就好了。协议是工具背后的支撑，但易用性才是进入业务的钥匙。” 况雨平补充了一个动态视角：接受度跟团队的发展阶段有关。“初期阶段，工具能让大家快速感受到爽点。但当你的 Agent 和工具爆炸式增长后，没有统一的协议去管理，那些工具就会变成维护的噩梦。”他特别强调了一点：“规模化之后，必须靠协议和流程底座去支撑，否则用得越多，浪费得越多。” 毛卓则用业务视角做了生动总结：“你跟业务说用了什么 MCP、A2A，下面有几个子智能体怎么调度，他听都听不懂。对他来说，我用你的数据智能体就是问个数，查个数据，你能不能给到一个准确的结论？好用就成了，不好用项目就结束了。”他提醒研发团队：“我们不能只聚焦工具和技术，必须要把对外提供的智能体做得更易用、更好用。” ** 04 ** ** 话题四：Token 成本失控——技术问题还是管理问题？ ** “都有关系。”毛卓的回答毫不含糊，但他随后的分析将这个问题的复杂性层层剥开。 从技术层面，他指出不同的 IDE 和 CLI 工具之间本身就在 Token 效率上存在差异——“大模型在最底层没有记忆，你的任务拆解还是依赖于 IDE 这个 Agent 本身”。但从管理层面，他的观察更加尖锐：“你想过没有，一个人的沟通能力直接决定了他的 Token 消耗？有的人一句话能把事说清楚，有的人啰里吧嗦讲半天，跟 AI 对话的时候这个差距会被成倍放大。”他甚至提出，未来的管理者应该算两笔账：工资成本加上 Token 消耗成本——“工资高的人说不定 Token 消耗更低，产出更高。” 况雨平则从模型能力边界出发，将 Token 浪费归纳为三个源头。“第一是重复注入——每一次都把一大堆规范、背景、代码框架全部塞进去，没有区分当前任务到底需要什么。第二是知识没有分层——需求阶段把开发规范给进去了，开发阶段又把过时的历史经验塞进去，知识不精准，读错了还要返工。第三是没有过程资产的复用——当前对话框关掉，下一次打开还得重新来一遍。”他形象地形容大模型是“一个只有七秒记忆的鱼，同时又是一个超级全能的瑞士军刀”。 毛卓在最后分享了一个实用的架构经验：“在架构层面，前期人要把架构做好。比如后端拆几个微服务，物理隔离——一个微服务就一个代码仓，让 AI 聚焦在一个代码仓里干活，从物理层面约束它的业务理解和代码改动范围。” 扫码报名 ** 05 ** ** 话题五：降本与增效——矛盾还是统一？ ** 毛卓分享了一个惊人的数据：他们的月度成本下降了88%，同时开发效率提升了3到4倍。当被问到这看似矛盾的成果背后的逻辑时，他的回答直截了当：“降本和增效一点都不冲突，甚至是相辅相成的。” 他举了一个具体案例：一个老旧系统改造项目，评估下来需要五六十人做将近一年。他大胆改革了研发流程——让产品、开发、测试全部投入需求撰写和评审，只留四五个人执掌 AI Coding 工具。“需求写精准了，一把喂给 AI，效率就大幅提升了。原本半年的活压到两个月干完——效率翻倍，人力成本也降了，这不就是降本增效吗？” 况雨平从工程流程的维度做了深化。“真正的浪费不在于多用了几次 AI，而在于那些低效的反复交互——Vibe Coding 式的一句话说需求，然后就是反复解释、反复修同类问题、在错误方向上反复重试。”他的团队构建了一套 Spec-First 支撑的 AI Coding Harness 体系，把优秀工程师的经验沉淀为标准化流程节点。“不是简单地减少模型调用，而是让每一次调用都更接近有效交付——少写 Bug、少返工、知识可复用，整体成本一定是下降的。” 古永丰则引用了一篇学术论文的观点作为注脚：上下文越膨胀，模型解决同一问题的能力反而下降。“更少的 Token、更精准的上下文、更一致的方向——这三者本身就是统一的。” ** 06 ** ** 话题六：企业 AI 落地的“先手棋”——协议、工具还是成本？ ** 这个问题没有标准答案——三位嘉宾的优先级判断恰好揭示了不同类型企业的选择逻辑。 况雨平认为应该从工具切入。“先从高频、有真实痛点的业务流程开始，把个人提效的最小闭环跑起来，而不是一上来就做大而全的平台。”他的逻辑很清晰：先让大家感受到 AI 的爽点，建立接受度，然后再逐步推动流程化和规模化——“等工具用起来之后，自然会引出流程串接的需求，进而引出协议底座和成本治理。” 毛卓则从企业类型的角度做了补充，语气坦诚。“这个问题取决于你是什么企业。科技型、初创型的公司，可以义无反顾地先砸技术，先不管成本——很多互联网企业都是这么过来的。但像我们这种传统企业，必须先看业务价值，先算投入产出比，把账算清楚才能拿到预算。”他用碧桂园的企业理念做了总结：“行稳致远——走稳一点，才能走得远一点。” 古永丰分享了一个有趣的观察：即便是那些“先砸钱抢市场”的 AI 公司，最终也会走到协议层和成本层。“一开始所有产品都接 Claude，后来成本高了再慢慢优化，再换低一点的模型——这其实是一样的路径，只是节奏不同。” 扫码报名 ** 07 ** ** 话题七：多人写需求、少数掌编程——新协作模式能否复制？ ** 毛卓在碧桂园推动了一项大胆的试验：让产品、开发、测试全员投入需求撰写，组建跨角色的小队——每个模块配齐业务、研发、测试、产品四人——共同讨论、评审出精准的需求文档，然后只由少数精通 AI Coding 的工程师负责“喂给”AI。 “我要求的是强掌控。”毛卓描述道，“业务出几个人，产品出几个人，测试出几个人，全部归我统一调度。他们四个人必须达成一致，输出的需求才喂给 AI——后面就几乎不存在吵架了，AI 也清晰明了。” 至于这个模式能否复制，他的回答既务实又通透：“管理流程适合自己的才是最好的。敏捷也不是拿来就能用的，每个公司都要做变种。作为一个成熟的管理者，永远要看自己的公司情况和项目情况去调整——怎么让每个成员发挥最大价值，又能降低成本。” 况雨平对此深有共鸣，并补充了一个金融科技场景下的独特挑战。“最大的阻力不是大家不愿用 AI，而是不同角色对‘什么是高质量的输入’理解完全不同。产品觉得自己写清楚了，研发觉得边界没讲清，测试觉得验收标准不明确——AI 会在这些空白处自己补全，写起来很快，但后面沟通和返工的成本就很高。”他的团队在推 VibOps 时，一个关键变化就是把 AI Coding 的前置工作显性化，“不仅仅是写文档，更是把标准定义清楚、把约束前置澄清。” 古永丰从开源社区的轻量级实践出发，观察到 AI 的核心影响是“拉齐了编码能力”。“以前每个人会的技术栈不同——你会 Vue 干不了 React，你会 Node 干不了 Python——现在 AI 把 Coding 能力拉平了，大家更看重的是 Research 能力和思考问题能力。” 扫码报名 ** 08 ** ** 话题八：AI Coding 时代，研发团队角色如何重塑？ ** 当话题转向“谁会被替代、谁会被强化”，现场的气氛变得微妙而真实。 毛卓毫不回避这个敏感问题，开篇就自嘲：“这个问题说出来很容易得罪人。”他随即犀利地指出了当前的一种流行误区：“产品经理说，未来工程师全砍了，留我一个产品经理去 Vibe Coding 就行了——我其实很讨厌这个词。Vibe Coding 意味着你不需要理解底层，但真正让 AI 写出高质量代码的，是规约编程。而谁来定 Spec？是软件工程师。”他给出了一个无法反驳的逻辑：系统上线出了 Bug 谁来兜底？服务器告警了，你给 Claude Code 说一句“快去给我修复”，它能做到吗？“除非你是小公司，系统挂几天无所谓。正经公司对稳定性的要求是四个九、五个九，你必须有人能掌控整个系统。” 况雨平则从生产关系的演变切入。“生产工具的能力提升，一定会让协作模式发生调整。以前前后端分离是为了追求更高的交付效率，现在 AI 又把前后端的很多工作统一了——后端直接做全栈，不需要接口联调，一次性跑完代码再加自动化测试。”他观察到一个新趋势：业界正在催生新的角色——“可能是产品加设计加前端一个岗位，研发加测试一个岗位，甚至还有 PDE——现场交付工程师，帮企业梳理现有流程，思考怎么通过 AI 优化运转效率。” 毛卓在最后忍不住感慨了一句引发深思的话：“未来对程序员来说，沟通能力可能比编码能力更重要。”他甚至透露，有同行大佬半开玩笑地说，AI 时代文科生可能比理工科更吃香——“他们写 Prompt 写得更好。以前我们有些程序员很内向很闷，技术上很强，但沟通吃力——这在 AI 时代会很恐怖。” 古永丰对此做了精炼总结：角色不再跟技术能力强绑定，而是跟业务方向绑定——团队成员按任务领域划分，而非按技能标签划分。能力要求也从硬性技术能力转向了适应能力和自驱力。 扫码报名 ** 09 ** ** 话题九：下一个硬骨头——Agent 社会、上下文底座与企业架构 ** 当被问到 Agent 落地未来12到18个月的最大瓶颈时，三位嘉宾的预测恰好覆盖了技术、工程和管理三个层面。 古永丰从他的研究方向出发，提出了“Agent 社会”的概念。“Agent 现在长出了手脚，但还没有联系起来——它们之间是隔离的。下一个硬骨头是构建 Agent 之间的社会基础设施：每个人要有身份、有履约记录的验证、有跨组织的协作能力。”在他看来，当单个 Agent 的智能和行动力发展到一定阶段，连接和协作就变成了瓶颈——“就像人类社会的进步，从来不是因为出现了几个天才个体，而是因为我们建立了语言、法律、市场这些连接性基础设施。” 况雨平从一线工程实践出发，指出了两个具体的攻坚方向。“技术层面，要打造可持续进化的上下文底座——对知识做高质量的治理、索引和按需加载，而不是随意地把各种知识塞给模型。我们在 Knowledge、Memory、Graph 和向量化日志上做了大量投入，核心就是让 AI 在不同阶段拿到精准的上下文。”管理层面的瓶颈同样不可忽视——“不是每个同学都能转变思想。有些人还是用传统的单线程模式去用 AI。实际上，你应该能同时开多个窗口、多个命令行并发，甚至下班后让 Agent 帮你自动处理未完成的 Bug。这需要组织持续灌输 AI 使用经验，也需要个体有学习能力和心力。” 毛卓则站在企业架构的高度，提出了“AI-Ready 软件架构”这个命题。“如果你的工作只聚焦在一个 Agent 上，那可能只需要关心怎么驾驭大模型、怎么降低它的幻觉。但从企业规模来看，你有几百套系统、不同的团队负责——怎么做好规划并真正执行落地，这才是真正的硬骨头。”他透露，碧桂园内部正在探索两种路径：一是超级智能体对接所有系统的 MCP 接口，二是各系统自建智能体并实现多 Agent 协同调度——“无论走哪条路，AI-Ready 的架构蓝图必须先画出来。” 扫码报名 ** 10 ** ** 结语：如果只做一件事 ** 在直播的最后，三位嘉宾各自给出了“只做一件事”的核心建议。 毛卓的回答一如既往地务实：“找一个企业里面真正最有业务价值的事情，去建一个智能体。这样你才能真正行稳致远。” 况雨平的建议更像是一套行为准则：“第一时间想想 AI 能不能帮你解决——不管是工作还是生活中重复的高频的事情。如果整个流程解决不了，就拆成节点去解决。先让你自己有成就感，然后才能持续地用下去、用好 AI。” 古永丰则以研究者的开放心态做了收束：“积极关注 Agent 和大模型的前沿技术、前沿产品，接纳它、使用它——不要站在岸边观望，下水才能学会游泳。” 这场90分钟的对话，没有给出 Agent 落地的标准答案，但三位嘉宾从协议、流程、成本、管理四个维度，描绘了一幅完整而真切的实践图景。当 Agent 从“能跑通”走向“能投产”，技术能力只是入场券，真正的胜负手在于——工程体系能否承接、管理流程能否适配、底层协议能否连接。 活动推荐 2026年7月24-25日 ， Agentic AI Summit 超级智能体系统架构峰会 ·深圳站 即将在 深圳机场凯悦酒店 举办！ 现日程已上线85%+， 除了两天的技术干货分享，大会现场还会组织闭门会、晚场圆桌交流，讲师们会围绕具体的技术点进行介绍，旨在丰富大家在参会体验，希望大家不虚此行，满载而归。 🔥 9 折优惠购票进行中.... 点击 「 预览时标签不可点 [ 微信扫一扫 关注该公众号 [ 知道了 ]() 微信扫一扫 使用小程序 **** [ 取消 ]() [ 允许 ]() **** [ 取消 ]() [ 允许 ]() **** [ 取消 ]() [ 允许 ]() × 分析 __ 微信扫一扫可打开此内容， 使用完整服务 ： ， ， ， ， ， ， ， ， ， ， ， ， 。 视频 小程序 赞 ，轻点两下取消赞 在看 ，轻点两下取消在看 分享 留言 收藏 听过