Agent 的边界先划线，再放手

这个系列在论证什么

模型越来越能干，但能干不等于好用。我在这个系列里想回答一个问题：一个具体的场景，到底该给 AI 多少自主？我的办法是先划线：哪一层就够用，边界在哪里，出了错怎么拦住。线划清楚了，再一层一层地放手。

各篇（按阅读顺序）

1. 第 1 篇基石AI 产品 · 2026年3月23日 · 7 分钟 从 LLM 应用到 AI Agent：根据业务边界，在架构谱系中找到你的落脚点 别因为 Agent 看起来先进就盲目上多智能体。我想聊聊 Agent 的五个层级，以及为什么在 2026 年，给 AI 划定“边界”比增强它的“能力”更重要。
2. ↓先把最简单的两层做准
3. 第 2 篇精度AI 产品 · 2026年4月21日 · 13 分钟 L1 & L2：让 AI 说准，比让它说多重要 业务里用的 AI，说得准比说得多重要。在 L1 和 L2，与其换更大的模型，不如把功夫花在文档怎么切、怎么检索、标出处，以及什么时候不答。
4. ↓让模型决定下一步
5. 第 3 篇行动AI 产品 · 2026年4月24日 · 8 分钟 L3：下一步让模型来定，但每一步都要让人看得见 从 L3 起，下一步做什么由模型决定。这一篇讲它怎么追问、怎么调用工具，以及为什么每一步都要让用户看得见，写操作之前都要留给人确认。
6. ↓目标冲突时，谁来裁决
7. 第 4 篇协作AI 产品 · 2026年9月19日 · 4 分钟 L4：多加一个 Agent 之前，先想好谁说了算 一个任务里有几个互相冲突的目标、最后需要有人裁决时，才需要 L4。多加 Agent 之前，先定好每个 Agent 替哪个目标说话、谁来评审、什么时候停。
8. ↓怎么知道系统真的变好了
9. 第 5 篇评估AI 产品 · 2026年10月28日 · 3 分钟 评估：Agent 变得再快，也先问清楚要解决什么问题 Agent 产品几个月就换一轮，交给它们的权限也越放越开。这个系列的最后一篇不做长篇论述，只说说我的感想：不管技术怎么变，先问清楚商业问题是什么、技术要用到哪一层，以及怎么让结果靠得住。

尚未有答案的问题

1. 01离开写死的流程之后，Agent 能自己做主的范围，该怎么划？
2. 02几个 Agent 各自代表一个目标、互相拉扯时，最容易在哪里出错？
3. 03系统上线以后，怎么用真实运行的结果来改进它，又不让每一步都等着人工审核？

1. 01 笔记 你的 AI 为什么总是说你对？ AI 顺从效应指南AI 顺从效应（Sycophancy）是主流大模型普遍存在的倾向：为了迎合用户，比起事实，它们更愿意给出讨好、附和的回答。这种倾向来自强化学习训练。我整理了五个提问习惯，能帮你从 AI 那里拿到更客观、更尖锐的意见。 2026年6月5日 · 5 分钟阅读 →
2. 02 观点 Vibe Coding 让你更快到达目的地，但不会帮你选目的地Vibe Coding 真正降低的，是让想法变得可见的成本——把模糊的描述变成可以被看到、被操作的东西。但它没有降低的，是判断 "这件事值不值得做" 的成本。工具的速度越快，方向错误的代价就越容易被放大；而能在业务逻辑和技术实现之间来回翻译的人，在这个背景下反而变得更稀缺，而不是更不稀缺。 2026年4月25日 · 4 分钟阅读 →
3. 03 观点 分点陈述是“AI感”，还是“思考的诚实”？生成式 AI 时代下，重新定义职场沟通的结构化之美 2026年3月18日 · 2 分钟阅读 →