原文摘要

原文链接

进一步信息揣测

• Agent学习能力的真实瓶颈：当前主流产品宣称的"从用户交互中学习"功能实际效果远低于需求侧期望（仅5分 vs 人类秘书的80分标准），且SFT（监督微调）和RAG（检索增强生成）技术路径均无法满足核心需求，暗示行业存在技术宣传泡沫。
• 未被公开讨论的技术路径：作者透露唯一可行的方案是通过in-context学习将用户认知文本化，并依赖外部memory存储按需召回，而未来可能通过RFT（强化微调）训练用户特化模型，但现阶段尚无成功案例，说明行业探索仍处早期。
• Multi-Agent架构内幕：Andrej Karpathy提出的"Bacterial Genomes"范式是首个真正对等的Multi-Agent原生设计，突破传统主从式架构，该思路尚未被主流项目采用但可能代表未来方向。
• Prompt模因的隐藏价值：行业内部正在形成共识——将Prompt片段视为可交换的"文化基因"，通过模因重组实现Agent能力进化，这一概念未被公开文档系统阐述，但已出现在前沿讨论中（如Karpathy的推文）。
• 2026年Agent的预判信号：作者观察到多个独立研究者提出相似构想，且缺乏替代路线候选，暗示行业技术收敛趋势，这种早期共识通常仅限圈内人士感知。
• 应用层与模型层的认知差：作者强调从应用层（而非模型层）设计Agent的重要性，这反映了实际落地中模型能力与用户体验间的巨大鸿沟，多数公开讨论未明确区分该维度。
• 行业真实进展速度：尽管2025年已有部分产品达标，但作者指出关键突破可能在未来一年内发生，这种时间预判基于非公开的行业动态观察。