我们开始对上下文工程的表面面积有了更清晰的认识。 理论上，构建 AI 代理应该像拥有一个超级强大的模型，给它一套工具，提供一个非常好的系统提示，并让它访问数据一样简单。也许在某个时刻，它真的会变得如此简单。 但在实践中，要制作今天能工作的代理，你需要在全球代理与子代理之间找到微妙的平衡。哪些事情要让其具备代理性，哪些仅仅是确定性的工具调用。如何处理上下文窗口的固有限制。 你必须弄清楚如何为用户的任务检索正确的数据，以及需要投入多少计算资源。如何决定哪些要快速处理，可能会导致质量下降，哪些要慢处理但可能会令人烦恼。还有无尽的其他问题。 到目前为止，对于这些问题没有一个正确的答案，任何给定的方法都有重要的权衡。 重要的是，正确处理这些问题需要对你所解决问题的领域有深刻的理解。在 AI 编程中处理这个问题与法律不同，与医疗保健又不同。这就是为什么现在 AI 代理的机会如此之多。

在经济中，有很多技能或任务在复杂性或成本降低后会经历更高的需求。 软件就是一个完美的例子，我们在世界上对代码的利用率极低，因为生成代码一直太昂贵或困难。 现在我们将直接跳到编码，远远超过我们以前的水平，因为这变得容易得多：设计软件、测试软件、生成内部应用、用它来原型设计、尝试多种解决同一问题的方法，等等。 这里有一个简单的例子。由于AI代理处理大部分工作，我们现在在Box的销售工程师为客户构建完整的定制原型，客户的模拟环境中内置了Box。 这是一个以前对客户来说太耗时的任务，因此他们通常只会做一个通用的演示或展示。但现在有了AI代理，这种特定类型的任务终于实现了投资回报率（并且感觉更可实现）。 我们将在软件中反复看到这一点，但几乎在每个知识工作领域也是如此，因为每种稀有技能类别变得更加可获取。讽刺的是，这将创造出比人们意识到的更多的工作，因为对人们从事这种类型工作的需求增加了。

在飞机上拥有这个真是太疯狂了。请立法规定所有商业航班必须配备 Starlink。恭喜 @elonmusk