满大街都是 Agent demo，为什么真正能用的没几个？

你好，我是曹犟，欢迎关注我的公众号。

这个月初，在因为 AI 应用需求没那么大，准备对外出租算力，导致整个股市出现一大波波动后，Meta 又有新的新闻。扎克伯格在 Meta 的一次内部会议上说了一句“暴论”，他承认在过去至少四个月，Agent 方向的进展并没有按自己预期的速度加速，之前押注的新组织结构的收益也没有兑现。要知道，Meta 今年在 AI 基础设施上准备投入的钱大约是 1450 亿美元，5 月刚裁掉了 8000 人，然后把 7000 多人调进 AI 团队。做了这么多时候，自己反而出来说“Agent 没那么快”，相当于自己打自己脸。

我个人并不喜欢 Meta 和扎克伯格个人的种种做法。例如为了进入中国市场，他前脚刚冒着雾霾在北京作秀晨跑，回头就在美国国会的听证会上变成唯一一个指控“中国窃取自己知识产权”的科技巨头（好像 Meta 真有什么高科技一样）。类似这种表里不一的行为多不胜数，的确挺符合对某个民族的刻板印象。

不过，今天这篇文章倒也不是纯幸灾乐祸，只是想讨论一个可能不少卖 Agent 的公司不愿意承认的现实：做出一个能演示的 Agent，和把它真正做成能上生产、能稳定交付的东西，是两件难度差着数量级的事。

PART01 热的是“造”，难的是“交付”

朋友圈、各种技术社群、各个 AI 论坛、各种发布会，到处都是各种各样的 Agent demo 在刷屏。如果只看 demo，你会感觉 Agent 已经无所不能了，会自己订机票、写代码、跑完一整条流程，确实很有“新时代”的冲击力。可你真去问一句“这个上生产了吗？稳定用了多久？出错的时候谁兜底？有啥实际的业务效果？”，多数时候得到的可能是尴尬而礼貌的沉默。

热闹的是 demo 的世界，冷清的是生产的世界。这个落差，做 2B 的人，并不陌生。过去十几年，产品功能或者 POC 炫不炫，能帮你拿单；但真正让一个软件项目死掉的，跟这些关系不大，只取决于产品在客户的真实环境里能不能用起来。

demo 跑通，和任务能稳定完成，根本不是同一个问题。

demo 只要在一个准备好的环境里跑通一次，就可以上台演示；生产要的则完全是另一套东西：稳定、可复现、可追责，出了错还能恢复。这两件事的难度，就不在一个量级上。我在之前一篇文章提过一个观点：个人好用，不等于企业可用。 一个工具你自己用着顺手，和它能在一个有权限、有审计、有合规要求的组织里，被几百人可靠地用起来，根本就是两回事。

而且 Agent 和过去的 Chatbot 还不一样。Chatbot 答错了，你大概率能看出来，然后骂它几句，不会有什么严重后果。可 Agent 一旦接上了工具、账号和权限，它的失败就不再只是“一句话回答错了”，是可能真的修改了业务状态。它可能已经发出了那封邮件、改动了那条数据、下出了那笔单。某种意义上，Agent 越能干，一旦失控，代价就越大。这也是为什么，越接近生产，大家反而越谨慎。

Agent 的成熟标志，不是它看起来更聪明，是它能不能稳定地把一件事交付出来。 聪明是入场券，交付才是胜负手，demo 啥都不是。

PART02 Agent 不是“自己进化”出来的，是被人一次次调出来的

这两年有一种叙事特别流行：让一个元 Agent 去自动设计别的 Agent，让 Agent 自我进化、自我改进，听起来挺有道理，好像可以省掉很多工程上的工作。但在今天，它更多时候带来的是复杂度和不确定性，而不是真的加速。

我愿意用自己的亲身经验来讲这件事。在《三个 40 岁老程序员》那个系列里我写过：Agent = 模型 + Harness。 这里的 Harness（可以理解成套在模型外面的那层工程脚手架），规定了 Agent 能调哪些工具、按什么步骤走、什么时候要停下来问人、错了以后怎么兜。真正让一个 Agent 从“能跑”变到“能用”的，是有人把它的每一次失败，都沉淀进这层 Harness：每错一次，就补一条规则、加一个护栏、写一条评估用例。

我自己开发 Agent 的体感就是这样：第一版几乎永远漏洞百出，真正的功夫全花在后面那几十次“它又在这里翻车了，那就把这个坑堵上”的循环里。一个能用的 Agent 背后，通常是一条被反复加固、越垒越高的护栏。

在目前来看，Agent 暂时还不能自己长本事的，需要被人一次次校准、一点点沉淀下来的。这里面没有什么魔法，有的只是工程纪律。你指望它自己进化，多半会失望；你老老实实一次次把坑填掉，它反而会逐步稳定下来。

PART03 卡住 Agent 的，多半不是模型不够聪明

另一个判断是：在真实项目里，卡住 Agent 的，绝大多数时候不是模型不够聪明，是流程边界没划清、权限没定义好、数据结构不支持、验收标准不存在。 很多人说“这个 Agent 不行”，其实真正的问题是“我们自己没把这件事定义清楚”。

我和团队在做 Omni-Growth Agent，用 AI 帮投手把海外广告投放做得更好。有一段时间，我们把一个诊断功能打磨出了新版，自认为已经不错，然后按我们的习惯，回到客户现场，坐在投手旁边看他真用。结果发现，有些功能他会绕着走，宁可不用。

回过头复盘，问题不在模型，而在我们给客户发明了一套新走法。比如广告诊断的结果，我们一开始想做成一种很“产品化”的新形式，类似“诊断卡片流”，按照问题重要程度依次展示我们的 Agent 发现的问题和机会。可投手脑子里的结构，是 Meta 后台原本那套资产层级：广告账户、广告系列、广告组、广告，一层层往下钻。我们自作主张造了个新形态，他反而不习惯。更麻烦的是，他没法确认 Agent 给的诊断到底全不全，心里会一直想：“是不是还有别的问题没查出来”，于是在看了我们的诊断卡品流之后，干脆回到 Meta 后台，把所有广告自己重新过一遍，Agent 一点提效的作用都没有起到。从这个角度看，这本质上是产品形态带来的信任问题：一个他没法核对完整性的东西，他不敢真的依赖。后来我们老老实实按他原有的层级来组织这些资产，在每一层上展示检测到了哪些问题和机会，这个功能才算真正被用起来。

还有一个更有趣的教训，某友商的 AI 助理曾经在一次交付里，把一些本不该展示的客户明细数据带了出来。在 2B 的语境下，这种事是“绝不可接受”的，跟模型聪不聪明没什么关系，根本上就是权限和脱敏这层没做到位。这类问题，光靠换一个更强的模型，一个都解决不了。

把这两件事放到一起看，一个卡在“呈现层”，一个卡在“安全层”，位置不一样，但共同点是：真正决定 Agent 能不能用的，是这些围绕在模型周围、又琐碎又具体的工程和业务细节，而不是模型本身那点能力。Agent 落地是硬仗，硬就硬在这些琐碎而不起眼的地方。流程、权限、数据、入口、验收，它们不会出现在任何一场炫酷的 demo 演示里，却实实在在决定了这个 Agent 到底能不能上生产。

PART04 先把一件窄事做稳，再谈别的

那更稳妥的做法是什么？我个人的经验是四个字：先窄，先稳。

不要一上来就想做一个什么都能干的 Agent。先挑一个边界清楚、能归因、商业价值又实在的窄场景，然后，再把这个场景里一个非常具体任务的完成率做上去。给它配好可控的动作半径、能兜底的失败恢复机制、能追溯的操作留痕，而不是一开始就放它到处跑。等这个具体场景真的跑通了，再谈往外扩、谈更高的自动化。

怎么判断它是不是真的稳了？标准很简单：不是评估集跑通了，是要回到客户现场，看他到底是不是真用。 评估集通过，只能说明它在你定义的题目里及格了；客户在真实工作里愿意一直用它，才说明它真的交付了价值。这两者之间，差着一段不小的距离，这也是为什么我觉得各种大模型能力榜单价值不大，“只要 benchmark 足够多，每个模型都是 SOTA”。

还是我们 Omni-Growth 的例子，我们在客户现场打磨产品的同时，其实也在做一件非常窄的事情：用人肉 Harness 的方式，让 Agent 帮坐在我们隔壁的销冠投手每天早上出一份真实的盯盘报告。直到有一天，她说：“不错，你们这个啥时候能全自动化啊，这样我就能省事儿了”，我们才知道，在这个单一的特定场景里，我们在她的场景上打穿了。在这之后，我们就可以开始覆盖她更多的同事的盯盘，并且可以把人肉 Harness 的方式产品化。而解决了盯盘这个单一的窄场景，我们才会再扩展到广告创建、素材生成等其他场景。

从这个例子可以看出，传统 2B 软件那种长周期系统建设、再在某个特定时间点 0/1 切换、全面接管和替换业务的部署方式，可能并不适用于 Agent。

顺着这个逻辑，企业采购 AI 的方式也得变。过去买软件，买的是一套系统、一批席位；现在买 Agent，本质上买的是某个流程里一个高完成率的执行器，而不是一个听起来很全能的“Agent 工厂”。相应地，衡量它的指标也得换，从“demo 里看到的功能多不多，炫不炫”，变成“任务完成率、失败恢复率、单位任务成本”这些更有生产价值的数字。一个 demo 很好看、完成率却只有六成的 Agent，在真实生产环境里是没法用的；而一个功能简单朴素、却能在特定窄场景里稳定跑到九成以上的 Agent，才是真正值钱的东西，尽管它在发布会上一点都不好看。

神策现在在探索的 RaaS（按结果付费）模式，就是这个思路的一个更极端的版本：不卖系统，是按给客户带来的增量分成，没有增长就不收费。它背后基于一个非常朴素的逻辑，客户只想要业务结果，根本不关心你是用人、产品、Agent 来实现业务结果的。它逼着交付方只盯着真实的业务结果这一件事，而不是功能列表到底有多长。Agent 时代的很多采购，会越来越像验收一份交付，而不是围观一场演示。

PART05 能把事交付出来的人，正在被单独定价

回到 Meta，扎克伯格在内部会上其实还补了半句，他仍然预期未来三到六个月能看到更明显的收益。虽然我不喜欢这家公司和这个人，不过我个人跟他的观点一样，认为 Agent 还是非常有价值的。只是我们得诚实地承认，让 Agent 在一个真实的组织里，连着脏数据和复杂权限，然后稳定地交付出结果，这件事仍然需要人在其中耐心而长期的努力。

通用模型谁都能调用，但能把它接进数据、流程和权限、真正跑出业务结果的人，正在被单独定价。

这一轮 Agent 的热闹现在几乎都堆在 demo 上，但真正的功夫，还是要花在能不能稳定交付这件事上。当潮水从模型热慢慢变成交付热，能留下来的，不会是谁的 demo 最炫，是谁能让 Agent 在真实业务里，稳定地做事。

本文作者曹犟正在和团队打造 Omni-Growth Agent，目标是用 AI 帮中国公司把海外营销做得更高效且更可控。目前主要服务两类需求：一类是把投放全托管给我们，按增长结果付费；另一类是给现有投手配一个 7×24 盯盘和诊断的 AI Copilot。文中聊到的 Agent 落地实践，正是我们在 Omni-Growth Agent 上的真实沉淀。更多信息可以看这里：https://omni-growth.ai