麥肯錫研究了50個自主AI構建案例及其最常失敗的地方，總結出6個對AI工程師至關重要的關鍵因素： 1. 關注工作流程，而不是代理。不要過於執著於構建“令人印象深刻”的代理。要考慮整個系統，而不是有趣的玩具。 2. 代理並不總是答案。 並非每個工作流程都需要多代理系統。低方差、可預測的任務最好用規則或機器學習處理，LLM增加了複雜性。代理的重大勝利出現在高方差、混亂的流程中（例如，提取複雜的財務信息）。 3. 避免“AI混亂”。（常見） 關注代理的長期發展，就像對待員工的發展一樣。忘掉令人印象深刻的演示。加倍努力於基準測試。代理應該有明確的工作描述，進行入職培訓，並獲得反饋，以便他們能夠定期改進。 4. 跟蹤每一步，而不僅僅是結果。 在沒有可見性的情況下擴大代理規模是要求無聲失敗。考慮監控工作流程的每個階段。這樣團隊可以及早發現錯誤，快速完善邏輯，避免全面崩潰。當錯誤發生時（而且它們會發生），你可以追蹤出錯的地方和原因。不要跳過這一步。 5. 儘可能重用代理。 許多公司浪費時間為每個任務構建一次性代理。更聰明的做法是創建可重用的模塊化代理組件（攝取、提取、驗證、分析），以便用於其他工作流程。集中驗證的工具和提示可以減少30-50%的冗餘工作，這個數字可不是開玩笑。 6. 人類仍然至關重要，但角色發生了變化。 代理可以解析、自動化和擴展。但人類提供判斷、邊緣案例處理和創造性問題解決。未來不是代理與人類的對立，而是代理與人類的結合。 這些是初創公司和成熟公司在規模化時所犯的錯誤。它們對聲譽和資源造成了巨大的損害。現在你知道如何避免這些問題。

研究界的每個人都對這篇在《自然》上發表的新DeepSeek論文感到瘋狂。這不是惡搞，他們確實發表了一篇新論文。

為什麼我們不為代理任務進行預訓練模型？ 好吧，這些傢伙做到了。並且成功了。 他們在預訓練和後訓練之間引入了一個中間步驟。他們合成了代理動作數據，他們的AgentFounder-30B模型在10個基準測試中設定了新的SOTA。 在這個代理持續預訓練步驟之後，SFT的損失也顯著更小。 這為什麼有效？ 因為通用基礎模型通常沒有代理歸納偏差，這將負擔放在後訓練上。 當你在預訓練階段引入多步驟推理和工具使用時，你為後訓練鋪平了道路，特別是當你用短期和長期代理任務的混合來做這件事時。 那麼，如果你在代理上運營你的業務或以任何規模構建它們，這意味著什麼？ 你可以以低成本合成數據，進一步預訓練一個基礎模型，然後進行後訓練。