Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
毫無疑問,2025年AI最大的機會就是AI agents
或者Agentic AI
隨著2024年底一些重磅Agentic AI的產品發布
比如Cursor to Agent模式、Windsor和DAVN
各路科技巨頭、AI公司和科技前行者們的認知
迅速收斂到了Agentic AI上
因為大家發現這件事情不是將要發生
而是已經發生了
像ChaiJBT就接連發布了Task Operator
Anthropic CEO也在各路節目上預告
他們今年會在AI agents上的大動作
當大家的認知收斂到Agentic AI上
人才和資金也都會集中到這裡邊
我們預言Agentic AI會帶來10個月到18個月的窗口期
在這10到18個月的窗口期裡邊
大家的起跑線其實是差不多的
你在這裡邊如果能先任一步的話
就會得到很多你平時可能接觸不到的機會
那為了幫助大家更好的理解什麼是Agentic AI
它能做什麼
和大家應該怎麼樣去使用它
怎麼樣Build屬於自己的Agentic AI系統
去實際的用Agentic AI解決問題
我和Yago專門又出了一系列關於Agentic AI的課程
總共有7個視頻和16節課的課件
這個課程的質量是極高的
所以為了更好地宣傳我的課程
那我們就給大家看第一節課的完整視頻
和後面幾節課的一些節選片段
在這節課裡邊我就會重點講什麼是Agentic AI
和它為什麼這麼重要
以及Agentic AI所帶來的機會在哪裡
那在正式看這門課程之前
既然它是一門課
我有必要給大家介紹一下我們兩位導師的履歷
我是康奈爾的經濟學博士
在畢業以後就在亞馬遜當經濟學家
並且接受了亞馬遜很多Machine Learning的培訓
上滿了亞馬遜Machine Learning University
絕大多數的課程
以及在工作中開始使用Machine Learning
之後在Facebook做數據科學家
在騰訊做數據科學的副總監
我在2022年下半年
也就是XJPT出來之前的一期
和矽谷徐老師的視頻裡邊
聽到了矽谷徐老師完美的預言了
生成式AI所帶來的機會
於是又從頭學習了生成式AI
並且在XJPT出現之後
做了很多相關內容
幫大家科普XJPT到底是什麼樣的工作原理
和之前的AI有什麼不一樣
我的一篇文章關於XJPT最重要的五個問題
可能是中文互聯網上講XJPT
最深度流傳最廣的科普文章之一
我也因為這篇文章被騰訊研究院
鳳凰衛視的一壺一席談
天峰證券等等公司和機構
邀請去講解AI
我現在所在的公司Static
也服務非常多的AI客戶
包括OpenAI Anthropic
都是我們的大客戶
我也跟AI行業的一線研究員
有非常密切的交流
包括蔣良青、李牧
和像OpenAI裡邊的很多中高層人員
去年5月的Finance的時候
我和壓哥一起出了一期AI課程
裡面有400多頁的原創講義
有5個多小時的視頻課程
還有很多實際上手的項目
這個課程在去年交了七期
我們也隨之迭代了8次
並且有4次非常重大的隔歇
我在教這門課的過程中
一方面又加深了我對AI的理解
一方面我和壓哥又不斷的追蹤AI最新的發展
這也是為什麼我們能在Azure Tech AI
出現的第一時間
就能深度的剖析和講清楚其中的原理
因為這是過去一年
我們在反反覆覆研究和反反覆覆講解的東西
像在這門課程裡邊
壓哥也教大家怎麼樣用Cursor Agent
達到500塊錢的單位的效果
甚至在這個基礎之上
還可以跟Chaggpt的O1 Pro結合起來
達到Multi-Agent
即Plan又Execute的效果
而且這麼強大的效果
我們都可以一步一步教給大家
這樣的課程質量不要說在中文網絡
哪怕在英文網絡應該也是獨一份
所以說我和壓哥兩個人
在Maven這樣一個競爭非常激烈的平台
和AI這個競爭非常激烈的賽道裡邊
也被評為了Top AI Instructor
介紹這些是為了告訴大家
我們接下來講的課程是非常有價值的幹貨
希望大家可以認真地去聽
我們真的希望大家可以抓住
Azure Tech AI所帶來的機會
大家好
歡迎來到我們Azure Tech AI系列課程的第一課
這一節我們要講為什麼要學Azure Tech AI
什麼是Azure Tech AI
和應該怎麼樣學習Azure Tech AI
相信很多同學買我們的課
已經知道Azure Tech AI很重要很需要學習
那我為什麼還要花整整一節課
去講為什麼要學Azure Tech AI呢
這是因為其實這不是一個簡單的問題
不是說因為別的人都在學Azure Tech AI
很多人說Azure Tech AI重要
我們就要去學習
而是我們只有從原理明白了Azure Tech AI
到底意味著什麼
我們才有可能更好地學懂它
抓住AI所帶來的機會
因為其實大家也看到了
過去大家都說PCI移動互聯網
帶來了很多機會
可是這其中抓住這些機會的人
其實是少數
那我們這節課就講
是什麼樣的人可以抓住這個機會
Azure Tech AI和之前的那些歷史相似之處
和不同之處是什麼
以及我們應該怎麼樣使用Azure Tech AI
抓住接下來可能10到18個月的這個機會窗口
所以說這一節課強調的是
Azure Tech AI既是AI的未來
也是我們的機會
這裡面要強調
想要了解Azure Tech AI
我覺得在今年年初的時候
Sam Altman的一篇微博其實講得非常好
他這篇微博總結了六個字
這六個字是
Near the Singularity and Clear Which Side
我不知道同學們有沒有看懂
什麼是Singularity什麼是Which Side
但是如果我們看這幅圖的話
其實就非常清楚
這幅圖可能很多同學都知道
是Wait But Why這個有名的博客
在兩年前的一篇文章中總結出來的圖
在紀念領域裡面
人類智能和人工智能的交點
就是這個基點
這裡面的問題就是
在整個智能的尺度來說
人類的智能雖然有這麼多的進展
然後人也有各種聰明程度
但是其實放到整個智能的尺度來說的話
差別並不大
就是螞蟻和鳥的智能會差很大
星星和人的智能差很大
但是我們最聰明的人
和最不聰明的人之間的智能
差別反而沒有那麼大
如果放到一個更大的尺度上
那AI是從完全沒有智能
一點一點去進步的
而且在這裡邊它是加速進步
當AI有了更多的知識
有了更多的工具
我們有了更強的算力能源等等
它的進步速度是加速的
AI其實是需要很多的時間
從沒有進步到螞蟻的智能
然後從螞蟻的智能進步到
鳥類的智能到星星的智能
然後再到人類的智能
但是其實因為它的進步速度在加速
它每次所用的時間是更少的
以及當AI進步到一個
普通人類的智能水平的時候
只要這麼一彈指的時間
它就可以很快的超越我們最聰明的人
以及到一個我們無法理解的程度
這就是Sam Ultiman所說的
Near the Singularity
但是 unclear which side
我們其實現在不知道
我們到底是AI比我們笨
還是AI比我們聰明
但是我和壓哥在教了2024年整節課的時候
我覺得一個很清楚的感覺就是
如果說你一直在使用ChaiGBT
或者說是其他的聊天機器人的話
那你基本上是會站在左邊
可是我們在使用Agentic AI的時候
是很明顯的感覺到了
我們很有可能已經站在基點的右邊了
因為我們在使用Agentic AI
包括我們的學員在使用Agentic AI的時候
很多人都感覺到
我擦,發生了什麼?
他這麼厲害
AI opening, mind blowing
這個是我們在課程上經常聽到學員給我們的評價
如果站在今天,也就是2025年的一月份
這個趨勢還只有被少部分深度使用了Agentic AI的人所感受到
那其實我推薦大家去聽一下這期播客
就是Lex Friedman對Dario, Anthropic CEO的訪談
五個小時
然後大概是在這個地方吧
Anthropic CEO說了一個點
就是在十個月左右的時候
基本上大部分的代碼都會被AI寫
而不是被人類寫
如果大家看最近小渣上Joe Rogan的那個播客
他也說了類似的言論
他覺得大概就是在2025年的時候
AI已經可以達到一個Meet Level Engineer的程度
Meet Level是什麼意思?
在Facebook應該就是一個Senior Engineer
是一個資深程序員的這樣的水平
以我們所看到的現在的AI和AI的進化程度
我們完全相信這些判斷
因為大家學我們的課就知道了
Agentic AI的一個重要特徵就是可以自我奪代
我們在磨改了Cursor Agent
然後在幫助它的過程中
就發現它一天比一天變得更加聰明
在這樣一個工具還不完善的情況下
在我們的磨改加調校的基礎上
它在很多特定的任務
已經從一個實習生的水平
變成了一個Senior Engineer的水平
而且這還用的不是最新的模型
所以說我完全相信在2025年的時候
AI是可以達到一個Meet Level Engineer的水平
而且那個時候大部分的代碼都會是被AI寫
所以說這就給我們帶來了一個
大概10到18個月的機會窗口
這個判斷是怎麼做出來的呢?
我的判斷是在2025年的下半年
也就是2025年的Q3
Agentic AI 尤其是Coding的Agentic AI
會在矽谷普及
然後在2026年的上半年
會出現一個成熟的產品
這個成熟的產品就不是說人到Agentic AI到編程
然後再到執行最後的結果
而是直接人Agentic AI最後的結果
你跟它說你想要什麼
它直接幫你做出來
它不需要再給你一個編程的交互界面
那這樣就可以把這個產品從程序員普及到所有人
我在第三節課的時候
會幫大家去解讀一下這裡邊的機會
到底是什麼意思
它的解讀其實叫做User Generated Software
它會逐漸釋放一個空前的生產力
但是我們在這就先不展開
總之這裡面想告訴大家的是
Agentic AI的時代已經來了
未來以來這句話
我知道大家在2024年已經不知道聽過多少遍了
我一次都沒說
這是我第一次說
我就說Agentic AI的時代已經到了
我們已經體會到了
只不過這件事情需要被更多的人看到
被普及和產生更加成熟的產品而已
這裡邊有10到18個月的窗口期去給到先行者
所以說這就是為什麼我們在主課之外
我們又專門重新寫了這40多個頁8萬多字的新課件
因為我們的主課雖然教的內容比覆蓋的都很多
但是我們還是希望有更多的人
用更多的門檻去學到這個事情
去抓住這個時代帶來的窗口
以及我們雖然有8、7十坪
然後40多頁8萬多字的東西
其實我們只是為了講透一件事情
這一件事情就是Build with Agentic AI
我們的主課就叫From users to builders
我們覺得AI給大家帶來的時代機會
以及要抓住AI帶來的時代機會
就是要成為一個builder
那Agentic AI又把building的門檻給幾代的拉下來了
所以說我們反覆強調的
要做的事情就是Build with Agentic AI
那也就是我這個第一節課
想跟大家講透的事情
到底為什麼要build
我們要build什麼
是不是你build一個微軟或者微線才叫build
不是的
以及我們到底應該怎麼樣子去build
因為building它其實是一個習慣
它不是說我今天學了一個課程
我懂了這個知識然後就行了
我們要把學習思考和行動結合起來
那這裡邊最難的
也是最能幫助你長期的抓住機會
建立一個正反饋循環的
就是building的習慣
那我們的這些課程
包括我們的講義
包括我們的各種demo
包括我們的作業
更重要的是包括我們所建造的社區
都是圍繞著幫助大家建立building習慣的
這一件事情的
我一會在視頻裡邊也會講
大家應該怎麼樣子去使用
我們課程所提供的這些工具
那好首先我們看一個效果
這是我錄的一段
如何用AI機動化完成WBL的視頻
方法很簡單
我們打開Cursor的Agent模式
去給它下一個簡單的命令
分析一下數據庫裡的數據
要有可視化
接下來它就自己去做了
生成了一個報告
有分析有圖表
不過我們看了這個報告
覺得還不夠滿意
所以我們跟他說
請進行更深入的分析
更適合給director看
他就又去做了
而且注意在這裡邊
他發現自己出現了錯誤
並且會debug自己
最後形成的報告
就是這樣一份結論先行
有深度分析
並且有行動計劃的週報
我作為一個前數據科學director
看了以後覺得非常滿意
這裡面有三點值得注意
就是第一
我跟這個AI說我要去做什麼
我沒有告訴他你應該怎麼做
他自己figure out怎麼做並且執行
第二就是這個Agent XAI
是有調用很多工具的能力的
第三
全程是他自動執行的
他並沒有來問我
你要不要做這個
你要不要做那個
他直接從我給他命令
到把這個週報做出來
中間的好幾步
他都是自己決策的
這個我們在第三節課也會講
這是AI的核心特徵
就是工具調用
多步決策和自我奠待
做到了這三點
他就把building的這個門檻
從一個很高的門檻
拉到了特別低
大家在這個年代
真的是沒有什麼藉口不去build了
因為你的門檻就是去
按照我們的課程教程
去安裝這個cursor
然後去把它給修改好
讓他有調用工具
多步決策和自我奠待的能力
然後你就可以去
想方設法的去尋找
生活中沒有被滿足的需求
然後試圖去build一個solution
說到這裡
我也給大家看一些具體例子
在我們的社群裡邊
在課程結束的時候
我會給大家發邀請碼
就很多同學去share了
自己build的是什麼東西
比如說這個是可以自動協助流程的
這個很有意思
這位同學之前並不會machine learning
然後他發現自己
有想問題的時候
就會抓自己頭髮
然後他覺得自己的頭髮很寶貴
所以說不能抓
那他就要build一個machine learning model
去識別自己在抓頭髮
並且給自己提出一個提醒
那這裡邊其實如果在之前
你要build這個machine learning
然後是要能識別
抓頭髮的這個動作
並且要跟整個系統去結合起來
還要能給自己發notification
其實是個很麻煩的事情
但是他學完了agent以後
直接去做了
花了兩個小時的時間
就直接做出來了
所以說他真的被這個思路給blow away
而且他很搞笑
就是他這個blow away以後
他又抓了一下自己頭髮
又得到了一個notification
同樣的同學他還教自己的娃
怎麼樣子去用AI做出來了一個這樣的遊戲
一個8歲的娃編程去做出這個遊戲
我看了其實這個完成度是非常的高的
非常的高的完成
這真的是一個娃
就是有音樂有動畫
然後有整個遊戲操控的一個遊戲
那這些東西不光只是一些toy project而已
比如說這位同學
他講上完課了以後
他就成為了他們組的
large language model go to person
你成為了最懂AI的人
那組裡邊所有需要用AI的事情
就會找你
機會和資源就會集中到你身上
你有了這些機會和資源
你就有動力去學習和去build
就去形成了一個正反饋
然後有其他同學
因為看到了他的這個分享
也在下面去問他一些具體的問題
比如怎麼樣子去用large language model
解決數據處理問題
他也給出了非常靠譜的回答
這就是形成正反饋以後的威力
像我們平常你哪怕來上班一個課
你可能在這上面只花了幾個小時的時間
可是你如果在工作中用起來
來形成正反饋以後
你其實在這上面可以花幾十個小時
幾百個小時
而且都能帶來回報
這才是我們想鼓勵大家成為的樣子
像Nana她也是上完了我們課
而且在我們課上上得非常認真
她就去主動的提出了一個新的項目
這個項目而且還是一開始不被大家支持
但是她的presentation被整個部門的CW看到了以後
就直接定為整個部門的top priority
這就是building的過程
並不一定會是一番風算的
但是building的power是極大的
我們也是想通過這些案例告訴大家
這真的是在AI時代抓住機會的方法
而且我們回顧歷史的話
也會發現這是一個歷史的旋律
我這裡借用一下我政客的課件
在政客的課件的時候
我詳細的解讀了
比爾蓋茨是怎麼抓到PC的機會的
左邊這個是IBM的第一代機器
IBM mainframe
大家可以看到各種各樣的線從裡面出來
其實是一個非常難操作的東西
但是大家這個時候
已經用它解決很多生產力的問題了
然後右邊是一個PDB 10
是一個比起左邊的電腦以後
已經小型化很多的電腦
比爾蓋茨在中學的時候
也是在右邊的電腦上編程的
我們都知道比爾蓋茨在1975年的時候
quit hover
然後成立了Microsoft
最後走向了他的世界首富之路
但是可能很多人不知道的是
比爾蓋茨在7年前1968年的時候
在他上middle school的時候
就在電腦上編程
而且那個時候已經是一個非常厲害的程序員了
他後來在高中的時候
也因為他有編程的能力
所以說被其他的公司請過去編程
和自己做了一些關於編程方面的創業
這個時候當1975年
時機成熟第一台小型電腦
Atari出現的時候
第一他對這裡邊有足夠的理解
知道這是一個動畫家的機會
第二他有能力抓住這樣的一個機會
所以說他那個時候就可以went all in
我們去研究各種各樣的科技歷史
甚至包括蒸汽機電力
移動互聯網等等
我們都可以總結出來有三條觀察
第一條就是
每當一個新技術出現
帶來了泛式革命
那泛式革命就會帶來新的可能性
第二新的可能性會帶來新的機會
第三就builders才能抓住新的機會
這些新可能性一定是和以前不一樣的
這就是為什麼它叫泛式革命
就是之前那些方法做不到的事情
新的泛式讓他們變得可能了
那這些新機會不是大家坐在這裡邊去想的
就是我坐在家裡邊推演
說AI帶來什麼樣的機會
然後就能推演出來
推演出來沒有用
因為這個機會不屬於你
你只有去在build的過程中不斷的去探索
不斷的去一天一天被不同的靈感
和市場的需求所激發
然後你在build的過程中不斷的去抓住這些機會
所以說只有builders才能抓住新機會
那作為一個builder有很多種不同的素質
在AI時代我們把它總結成兩條非常簡單的
action guidance行動準則
當你沒有這個builder習慣的話
你記得這兩句話
你就可以去改變你的行為
然後去慢慢的建立這個builder的習慣
這兩句話就是
不好意思這個是英文課件
主課是英文的
大概的意思就是說
如果說市面上已有的解決方案
不是你完全想要的
你自己是可以動手去改進它的
如果沒有這樣的解決方案的話
那你是可以動手去構建一個的
這句話的深意是什麼呢
就是你一定要從需求出發
你的需求象徵了這件事情的價值
可是我們因為已經習慣於在現有的範式中
尋找我們需求的解決方案
所以說很多時候我們的需求是沒有被滿足的
我剛剛給大家展示的在我們社群裡邊就是這個樣子
我的需求是有一個app告訴我
我在抓頭髮
但是市面上是沒有這樣的東西的
可是我花兩個小時是可以把這個solution給build出來的
以及我相信在2026年
這件事情會變得可能從兩小時變成兩分鐘那麼簡單
那這些存在但是沒有被滿足的需求
就是我們這裡的機會了
你作為一個builder
怎麼樣去滿足這些需求
就是你怎麼樣去抓住機會
而且這裡邊最靠譜的機會
就是從你的個人和你身邊人的需求出發
所以說這就是我們政客的主題了
就是from users to builders
是我們覺得最重要的一件事情
這件事情其實代表的就是
你在AI時代要transform yourself
以及我們認為
這是the only course you need in the age of AI
因為我們可以教你無限的東西
就是我們可以不斷的寫不同的課程
然後去賣你不同的課程
可是最重要的是
當你成為了一個builder以後
你就成為了一個自學者
你就可以自己的把學習思考和行動給融合起來
那我們如果能成功的把你從一個user變成一個builder
那你就只需要上這一門課就行了
剩下的所有的答案你都可以自己去探索出來
當然了現在的這門課程
雖然它學習了Gentic AI是夠用的
可是它的完整內容只有我們主課的不到五分之一
所以說你如果覺得你真的想成為一個全方位的builder
比如說在主課裡面
我們會教大家怎麼樣去去管理AI
會給大家很多關於AI的research understanding
具體的怎麼樣去融入自己的工作流
以及我們會更深度的去講解
怎麼和現有的軟件生態去融合
比如說GUI API到底應該去怎麼調用
以及我們所有的現在的課程和未來課程
包括現在這個Gentic AI的課程
我們會放到主課裡面
包括前一段時間我們關於怎麼樣去部署一個open source model
我們也都更新到了主課裡面
這也就是為什麼我們去說這是the only course you need
因為我們所有的新東西都會放到主課裡面
如果說大家對那門主課感興趣的話
我們也會給大家一個折扣碼
就是把你這門課的學費給抵扣掉
所以說讓你買這門課的錢也不會白花
這個主課我們光在2024年就進行了8次迭代
這裡邊就是我們會給大家最新的一些動態
學習我們剛剛說的research understanding
理解large language model內部的原理
我們會有針對性的對你所有的問題的解答
但是最重要的就是養成良好的 building 習慣
我們這門課程的評分在美文上也是4.9分的高分
滿分是5分
這還結了一個4.5分的評論
這是第一期我們在8次迭代之前的評論
我覺得它其實是很有代表性的
它是incredibly rewarding
這裡邊是enhanced understanding on AI large language model
或GPT
但是最重要的就是對builder's mindset的培養
我們其他所有講的包括原理
包括我們給的例子
包括我們給的這些練習
其實都是為了幫助大家更好的培養
這樣的一個builder's mindset
好那這節課的結課我就想用這張圖
就是我們現在既然已經站在了基點
我們過去有無數的可能性
我們未來其實也有無數的可能性
站在今天的這個點你要往哪條路走
其實它不是一個靜態的選擇
它是動態的
就是你往前走每一段
你都會遇到無數個選擇
你只有形成了這樣的builder's mindset
你才能在每一次的選擇中
去找到那條對你最有價值
你最喜歡的路線
以及抓到這條路線所帶來的機會
最後是給同學們一個我認為非常重要的福利
甚至說是我們這個課程非常重要的組成部分
就是邀請大家進入我們AI Builder's的社區
這個社區已經有一千多個人
包括我認識的AI Practitioner
包括大廠的高管
包括AI的Researcher
包括我們之前MEMON課程的所有學員們
在這裡邊不光是一個信息的集合
就是大家把自己看到的有意思的東西
和最新的解讀
包括一些自己的學習的視角拿出來分享
更重要的是它是一個行為上的互相的鼓勵和支持
你在這裡邊的困惑可以得到答疑
你可以從別人身上得到啟發和激勵
你也可以隨時的去跟大家分享你所做的東西
得到大家的反饋
說不定你也能在社區找到你未來的合夥人
打開這個社區的最好方式就是在裡邊多發言多engage
我希望上完課之後能在社區裡邊多看到大家的活動
那好我們第一節課就到這
第二節課壓格會用幾個非常生動的例子去告訴大家
Gentai KUI的門檻到底有多麼低
那我們就可以盡快的開始去build屬於我們自己的Agentai KUI
下期課見
接下來它就會全自動的對這個任務進行分析和執行
比如首先它會看有沒有現成的工具和代碼
發現沒有以後它就會創建一個Python腳本來進行
這是它具體寫出來的代碼
當然對於我們這個任務來說
其實我並不是特別關心它寫的代碼是什麼
因為我們最終的deliverable我想要的東西
並不是代碼本身
而是它生成的那張圖
如果你熟悉Python的話會注意到
下面我們就需要進行一些依賴的安裝以及程序的執行
可能中間還會牽扯到各種細節
比如說虛擬環境等等
但是在Agentic AI的年代
其實這些細節我們都不用關心
AI會自己去發現這裡有問題它就自己去解決
並且把程序完整的執行出來
執行完了以後就會出這樣一張圖
這exactly就是我們想要的最終目標
它有Google和Amazon藍色和綠色兩條曲線
反映了從2020年到2025年真實的股價
因為它是通過Python從網上爬下來的
而不是用LM自己的知識去虛擬生成的
以及它的旗艇也做了恰當的規劃化
也就是對齊了
這個時候用自然語言調度算力
就可以非常好的填補這塊空白
因為這個時候你不再滿足於其他人
去完美的適配你的生產率需求
並且可能要在這裡邊收你一筆不匪的費用
而是你可以用很低的成本
直接去把這個solution給造出來
你一個個人造軟件的成本
一下子從可能幾萬幾十萬
被拉低到了幾塊幾十塊
這個時候這裡人所釋放出來的生產力
這個常委的個性的需求
就是AI時代的機會
那怎麼樣去把這樣的一個思考框架
和我們的日常工作結合起來
並且一步一步的去推進和落地
我們在真客裡邊進行了詳細討論
在這就不過度展開了
不過在下節課我們會給一個非常具體的案例
所以從工具拓展和自我進化這兩個角度來說
我們一定程度上讓Kurser實現了Devon的功能
而我們也能夠在這方面進行多步的決策
所以我們就要在這方面進行多步的決策
我們就要在這方面進行多步的決策
我們一定程度上讓Kurser實現了Devon的功能
但是Devon每個月需要500美元
Kurser一個月只要20美元
為什麼會有這麼大的差異呢
第三個層次的用法是在上面這個自我糾錯循環之外
更進一步
有沒有可能讓AI積累新的工具、接口或者技能
並且把這個用法也寫在Kurser Rules裡面呢
舉個例子
比如說我們想要AI擁有搜索能力
怎麼做呢
我們可以讓它寫一個腳本
然後再在Kurser Rules裡面告訴它
怎麼去使用這個腳本
讓我們來試一試
它跟我們前面的Demo不同的地方主要有兩點
第一它用的協議不再是OpenAI
自己的Joinon協議
而是MCP
第二它的Orchestrator也不再是我們手動的Orchestrator
而是真的在一個產品裡面
它有一個完整的比如講Message Loop
或者是Event Pump之類的東西
它可以自主自動的進行Orchestration
而其實現在市場上很多的Agentic AI的產品
也就是用這三個要素來分類
換言之呢
這三個要素
IOM、工具協議和Orchestrator
你用不同的實現就可以得到不同的產品
比如說在Cloud Desktop裡面
它的IOM是Cloud
它的協議是MCP
它的Orchestrator是MCP Client
在我們剛才天氣的Demo裡面
它的IOM是GBT4O
它的工具協議是OpenAI JSON
它的Orchestrator是手工複製單貼
而在OpenWeb UI之類的開源軟件裡面
它的IOM是可以開源可以閉源的各種IOM
比如說Lama、同意簽問都可以
它的協議是一種基於Python的協議
而它的Orchestrator是基於開源的實現
我們在網上都可以找到它的具體實現
而對於Cursor來說
它後台的IOM是Cloud或者是GBT4O
它都做了適配
它的協議和Orchestrator都是自己私有的實現
從這個角度你是不是就理解了
為什麼Agentic AI最關鍵的是這三條
IOM、工具協議和Orchestrator
講完如何把AI融入到我們工作中
如何抓到AI的機會
我這裡邊再跟大家講三個誤區
這三個誤區會嚴重阻礙我們去學好AI
第一個誤區就是不實驗
實驗真的是非常非常重要的一件事情
那我們應該用一個什麼樣的Mental Model
去理解實驗這件事情呢
尤其是前面說的這個人
這個人以為世界上的機會都是已知的
所以說我在已知的領域做好分析
我就能找到寶藏在哪裡
但實際上寶藏是在迷霧中的
你可以用這個圖來做你的Mental Model
以上就是我們課程的第一課
和其他六節視頻課的節選了
無論你是否要買這些課程
希望這些內容都對你有所啟發
不過AI的發展真的要用日新月異來形容
就在這兩天Deepseq R1發布
大家有一輪很熱的討論
網上會說R1有多麼厲害
其他模型都不如它
只有R1比它厲害
但是其實我們在使用的過程中會發現
要比較Google和亞馬遜股價的一個案例
如果我們用Cursor加Cloud
基本都是一次過
可是到目前為止
所有的開業模型都沒有辦法很好的完成那個任務
就更不要說在多步迭代裡邊
那種失之好離差之千里的情況了
就是你在有很多步的情況下
這兒差5%那兒差5%
到最後很多步積累下來的話
差別就會是非常大的
所以網上的二手資料真的是很難相信
你只有自己去試驗了以後
才知道好不好用
而且我們課程強調的也是
我們會告訴大家我們試了什麼
但是大家不要直接拿我們的結論
去用到自己的場景
我們也希望大家回到自己的場景
回到自己的任務
有自己的評價標準
然後去多嘗試多探索
不要淺嘗者止
這就是為什麼我們覺得
如果只是一個靜態的課程的話
它其實已經不適應AI這個時代了
因為AI的發展這麼快
你怎麼可能還用一個三個月前的課程去教呢
我們的課程也就是要不斷去迭代的
並且我們有社區去給大家進行最新的討論
和最新的答疑
而且一方面整個AI在加速發展
我們的認知其實也是在加速發展的
在我們這個課程錄完了之後
亞哥又研究出來了Multi-Agent的框架
使用O1 Pro去做Planar
然後用Cloud做Executor
他們之間可以相互配合
相互驗證達到更好的結果
並且我們又是從第一性原理出發
這是網上有一些比較流行的Multi-Agent框架
他們會給這些Agent很多不同的角色
比如說什麼Designer、程序員、分析師等等
但是我們覺得這其實並不本質
我們覺得最本質的方式是
只有兩個角色
一個是Planar、一個是Executor
我們也跟網上的那些常見框架去比較了
在我們的這些任務裡面
我們這個框架確實效果是最好的
希望通過我們的這些案例
就可以幫助大家體會到
Build your mindset有多麼大的威力
以及在一個社區裡邊
大家互相激勵、互相學習
能激發出來多大的力量
這也是我們課程最大的賣點了
我和亞哥自然講師本身是賣點
但是我們主課的終身迭代和課程的社區
才是我們課程的最大價值
那好的,我們的課程就介紹到這裡
大家在社區裡面見,拜拜