从使用AI到离开AI不会干活，已经四年了，说实话，用AI赚了不少钱 现在对于我来说最大的难题已经不是使用AI本身，而是如何用AI在有限的时间内，达到最好的效果 今年突然想明白了一件事：所有的生产力提升，本质上都是建立在agent循环之上的 作为一个从大厂 PM 转型的AI开发者，我过去两年一直在琢磨怎么让 AI 干活更快，直到最近我才意识到，方向可能一开始就偏了 我们之前讲 human in the loop，人在环中，人是质检员，AI 是实习生 但今年模型能力上来之后，完全不是这回事了，谁再提human in the loop，我只能说他不会用AI 真正能让你效率翻倍的杠杆已经不是人类在环中 而是你在同一件事上，设了多少个agent环 为什么多设几个环，就能把质量无限逼近你想要的效果？ 因为今天的模型已经具备了相当强的反思能力，你把它上一轮的输出丢回给它，它是真的能看出问题的 但这里有个巨大的坑，我自己踩过 让一个 agent 自己反思自己，反思不了几轮就会开始摆烂 学术圈管这个叫思维退化：它明知道自己错了，还是会在同一个地方反复栽跟头 就像让你校对自己写的文章，你永远看不出自己的错别字，破局的方法简单：别让它一个人反思，给够它立场和角度 去年底有篇论文叫 Multi-Agent Reflexion，做法简单粗暴 一个 agent 干活，出错了不让它自己复盘，而是拉一群持不同立场的 agent 开批斗会 一个从逻辑挑刺，一个从事实挑刺，一个专门唱反调 就这么一改，推理和编程任务的准确率，直接把单模型自我反思甩在了身后 道理不复杂：反思的质量，取决于视角的数量 一个 agent 是员工，一群互相挑刺的 agent 才是组织 更狠的玩法是环上套环 前段时间两个香港学生，在 Karpathy 的自动研究框架上又套了一层循环 内环照常跑实验，外环只干一件事：反思内环的研究策略本身对不对 没换更强的模型，没加一分钱算力，效果直接翻了 5 倍 所以你看，同样的模型，同样的算力，产出的差距全在循环的设计上 以前 PM 的工作是给人排活 现在超级个体的工作，是给 agent 排立场：谁来干活，谁来挑刺，谁来验收，谁来反思整个流程 当然，这套机制起作用是有其要求的： 没有验收标准的循环不叫循环，叫原地打转，烧的是你的 token，攒的是一堆自我感觉良好 模型决定单次产出的下限，循环的设计决定最终结果的上限