评估Agent 变得再快，也先问清楚要解决什么问题

写 L4 初稿的时候，我把微软的 AutoGen 列为主流的多 Agent 框架之一。这个月整理系列、重新核对出处，才发现早在 2025 年 10 月，它的说明页就已经请新用户改用微软新的 Agent Framework，自己只再修 bug 和安全问题；到 2026 年 10 月，说明页上写着“已归档，微软不再维护”。¹ 我写下它的时候，它其实已经过时了。

这个系列从 2026 年 3 月写到现在，类似的事不止这一件。下面就说说这半年里，什么变了，什么没变。

变了的：交给 Agent 的权限越来越多

今年下半年，几家公司接连推出了能替人长时间做事的 Agent。8 月，xAI 推出 Grok Bot，说它是“可以交给真活儿的 AI 队友”：有自己的电脑，登录你平时用的工具，24 小时干活，只在需要你批准的时候回来找你。² 9 月，Meta 推出 Muse，能连上用户的邮箱、日历和付款，用户离开应用之后，它还会接着做事；³ 同一个月，OpenAI 推出 dots，形容它是“始终在线、什么都能处理的 Agent”，在后台持续推进用户设定的目标，几乎不需要人盯着。⁴ 10 月，Anthropic 推出 Claude Duet，一个会主动做事的 Agent，你走开之后它也接着干。⁵

不久前还要工程师自己搭的东西，现在打开一个应用就能用。我觉得这类 LLM 应用只会越做越大，交给它们的权限也会越放越开。

用这个系列的尺子量，它们已经在往 L5 走了。导读里我写 L5（自主探索者）时，说它“目前多处于实验阶段，工程化风险高”，速查图上还标着“生产环境慎用”。L5 指的是：给它一个目标，它自己摸索出一条路，一边做一边修正，事先也没有写好的终点。半年后，这些产品已经能在后台长时间追一个目标，自己决定用哪些应用、走哪些步骤。⁵ L5 来得比我写得快，这也是这一篇改成短评的原因。

没变的：到底放手多少

权限越放越开，这个系列一开始提的问题反而更要紧了：一件事，到底该放手给 AI 多少？

这几款产品自己也在回答这个问题。Claude Duet 在发消息、付款、签文件、删除任何东西之前，都会先给你看它要做什么，等你批准；还有几件事，就算你批准了它也不做，比如交易证券、在账户之间转钱。⁵ Grok Bot 则说，它会慢慢学会什么时候该来问你、什么时候可以接着做。² 所以我不会说它们是完整的 L5：碰到付款、发消息这类动作，它们还是会停下来等人点头。说到底，它们都在做同一件事：先划线，再放手。

不管怎么变，先问这四件事

技术和产品还会一直变。我觉得不管怎么变，都要先回答四个问题：

1. 实际要解决的商业问题是什么？
2. 想用什么去解决，打算怎么解决？
3. 现在的技术，要用到哪一层就够了？
4. 怎么保证结果可靠、值得信任？

前两个问题，是导读开头说的“先定场景”。第三个问题，就是我自己归纳的 L1 到 L5 这把尺子：它量的不是哪个产品最强，而是这件事需要多少自主。第四个问题，我的做法是攒一套自己的考题。

考题从真实的业务里来，二三十道就够，每一道都写清楚什么样的回答算对。还是用那家电商平台举例：顾客问“这台空气炸锅保修多久？”，要答出“整机一年、加热管两年”，并附上出处；顾客问“这一单能价保吗？”，不能拿快递保价的条款来回答；有人要查别人的订单，系统要拒绝。

以后每换一次模型、框架、提示词，或者想试一个新产品，都拿这套题重考一遍。总分高低没那么要紧，要看的是三类错：答错了还答得很笃定；该回答的却拒绝了；没经过人确认就动手改了东西。考题也要跟着业务改：售后政策变了，标准答案就要改；每次线上出了错，就把那个情况写成一道新题。

结语

回到开头那个已经归档的框架。我写下它的时候它就已经过时，这个领域就是变得这么快，接下来会变成什么样，我也猜不到。

猜归猜，我其实很享受看着这些技术一路进化：每隔几个月，就有一件以前做不到的事变得能做了。只是在用之前，还是要停下来想一想：在自己的业务里，到底该用哪一种技术，怎样才能用好，它是不是真的解决了手上的问题。

这个系列到这里就结束了。哪天这把尺子不好用了，我会回来改系列页上的说明。