最初的想法是单个 AI 代理能够处理任意大的工作流程。相反，似乎有效的模式是部署具有任务专业化的子代理，以避免上下文衰退。AI 代理的劳动分工可能是未来的趋势。

现在有一个窗口期，AI代理将在每个垂直领域和领域中被构建。 操作手册是深入了解特定垂直领域或特定空间所需的上下文工程，找出与现有工作流程自然结合的正确用户体验，并连接到相关的数据源和工具。 尤其是在早期，尽可能接近关键客户是有用的，以找出什么有效，什么无效，并不断进行改进，以将他们带回母公司。AI现在发展得非常快，快速更新并观察它们如何改善客户的工作流程是非常重要的。 为代理定价以实现最大采用也很重要，采用简单的订阅价格或明确的消费模式，并期待利用AI效率带来的成本改善。现在不要对价格过于贪婪，因为市场份额可能是最重要的。 追求那些受限于人才可用性或高成本的用例是有帮助的。这意味着在这些领域的任何生产力增量提升都为客户提供了高投资回报。在这些领域，客户总是愿意尝试AI代理，以最终解决他们的问题。 这就是为什么AI编码代理、安全代理或法律代理现在初步取得成功的原因。这些都是解决问题的需求始终超过可用人才水平的领域。但每个垂直领域都有这样的例子。 现在有一个明确的时刻，下一代这些AI代理将在每个领域中被构建。

如果你想象每个职位功能和工作流程都会有一个AI代理来自动化工作，那么很明显我们正处于AI浪潮的初期阶段。每个垂直行业和业务线代表了一个全新的市场类别和全新的TAM，这在之前是不存在的。

AI代理的劳动分工对于最大化代理在所有知识工作领域的影响至关重要。 我们在组织中早已存在劳动分工，因为事实证明，让个别专家相互交接任务比一群通才每次都尝试不同的方法更有效。AI代理呈现出相同的动态。 为了使AI代理正常工作，您需要关于他们试图完成的任务的恰当上下文。这意味着需要深入的领域理解、一套知识基础、明确的指示和一套可用的工具。上下文太少，代理将会失败。然而，随着更多信息进入上下文窗口，我们知道模型可能会变得次优。 对于复杂的业务流程，如果您将所有文档、工作流程描述和指示放入上下文窗口，我们知道代理最终会感到困惑并提供更差的结果。 因此，未来的逻辑架构是将代理分成原子单元，这些单元映射到正确类型的任务，然后让这些代理协同工作以完成他们的工作。 我们已经看到这一点在编码代理中有效地发挥作用。越来越多的例子出现，人们设置子代理，所有子代理都负责代码库或服务区域的特定部分。每个代理负责代码的一部分，并且有适合代理的代码文档。然后，当在相关代码区域需要工作时，一个协调代理会与这些子代理协调。 我们可以看到这种模式可能在未来几乎适用于任何知识工作领域。这将使AI代理不仅用于特定任务的用例，还扩展到推动整个企业工作流程。 即使AI模型改进到能够处理更大的上下文窗口，智能水平提高，这种架构是否会消失也并不明显。随着能力的提高，每个代理的角色可能会扩展，但子代理之间的明确分隔线可能始终会导致更好的结果。

AI代理的分工可能与人类的分工相对应。人们正在使用拥有特定微服务的子代理，这些微服务在代码库中。每个服务都有友好的文档，随着进展不断更新。通过这种方式，你可以优化上下文窗口中的内容。未来将会非常疯狂。

高级人工智能的思维模型是，这些模型将具有高度的可推广性，但它们需要与非常具体的上下文相结合。精确的提示、按任务划分的子代理、适合代理的文档、知识访问。即使模型不断改进，这一点也不会改变。

如果你正在构建 AI 代理，找出最大化代理优势与尚未准备好的领域的最佳用例是非常重要的。 AI 代理可以帮助自动化或增强的工作类别有很多。选择那些能够在短期内提供价值并随着模型改进而不断提升的正确用例至关重要。以下是一些目前似乎有效的特征： * 需要大量非结构化数据和信息的工作。这可能是文档、屏幕上的视觉数据、视频内容等。这是计算机和软件以前无法做到的领域，这里的用例非常广泛。 * AI 代理对于那些需要人类判断或解释的事情非常有用，这种情况可能永远如此。当你发现自己希望复制一些反复发生的非常严格的规则时，你可能更需要软件，而不是代理。 * 自动化的工作越复杂，就越需要人类参与。这就是为什么代码代理现在工作得非常好，因为你最终可以测试和研究代理的输出，以找出哪些是正确的，哪些是错误的。即使这些代理做错了事情，对于任何熟练的用户来说，干预相对简单。 * 押注于那些核心智能模型不断改进的用例。如果你今天可以用 AI 解决你的用例的所有问题，那么这个市场可能不够有趣。追求那些随着模型改进而增加增量价值的场景。 还有很多其他特征决定了哪些用例在这个阶段适合代理，但最终在每个工作类别中都有大量机会可以追求。

AI代理在知识工作中的一个重大优势是，投资回报率在许多以前无法做到的事情上发生了显著变化。 有大量的工作我们今天不做，因为我们无法证明启动它的“固定成本”。几乎每一个新想法都变成了一次会议，伴随着后续跟进和更多的协调成本。因此，你理所当然地只优先考虑影响最大的工作，并祈祷你在判断这些工作时做出了正确的选择。 AI代理改变了这里的计算。产品团队可以承担更多原型设计的想法，以查看哪个更好。业务分析师可以更深入地分析客户数据，以发现隐藏的洞察。工程师可以更快地构建功能。法律团队可以更好地支持小型客户。产品营销人员可以开展更多活动或测试更多信息，以接触更多客户。 当然，其中一些事情不会有太大影响。但许多事情会。通过降低尝试新想法、测试营销信息或研究市场的成本，公司将开始做比以前更多的事情，或者至少更快地到达下一个目标。

Figma的案例研究非常出色。一个100%专注于构建优秀产品的团队，产品驱动增长，公平定价，建立强大的网络效应，并在不被过度扩展的情况下扩展到合乎逻辑的邻近领域。对下一批初创公司有许多启示。

在Figma出现之前，产品设计过程的缓慢程度难以夸大。你只能用低保真的线框图进行头脑风暴，反馈循环会花费很长时间，你需要等待几周才能看到模型。现在，你基本上可以在几小时内看到产品的原型。