最初的想法是單一的 AI 代理可以處理任意大型的工作流程。然而，似乎有效的模式是部署具有任務專業化的子代理，以避免上下文衰退。AI 代理的分工可能是未來的趨勢。

目前有一個時機，AI 代理將為每個垂直領域和領域而建立。 操作手冊是深入了解該垂直領域或特定空間所需的上下文工程，找出與現有工作流程自然結合的正確用戶體驗，並連接到相關的數據來源和工具。 特別是在早期，盡可能接近關鍵客戶是有用的，以找出什麼有效，什麼無效，並不斷進行改進，將他們帶回母公司。AI 現在發展得如此迅速，快速更新並查看它們如何改善客戶的工作流程是非常重要的。 為了最大化採用，為代理定價時也很重要，應使用簡單的訂閱價格或明確的消費模式，並期望從 AI 效率中獲得成本改善。現在不要對價格過於貪心，因為市場份額可能是最重要的。 追求那些受限於人才可用性或高成本的用例是有幫助的。這意味著在這些領域中，任何生產力的增量提升都為客戶提供了高回報。在這些領域，客戶總是願意嘗試 AI 代理，以最終解決他們的問題。 這就是為什麼 AI 編碼代理、安全代理或法律代理目前正在迅速崛起的原因。這些都是需求解決問題的需求始終超過可用人才水平的領域。但每個垂直領域都有這樣的例子。 目前有一個明確的時刻，下一代這些 AI 代理將在每個領域中建立。

如果你想像每個工作職能和工作流程都會有一個 AI 代理來自動化工作，那麼很明顯我們正處於 AI 浪潮的最早階段。每個垂直領域和業務線都代表著一個全新的市場類別和全新的 TAM，這在之前是不存在的。

AI代理的勞動分工對於最大化代理在所有知識工作領域的影響至關重要。 我們在組織中早已實行勞動分工，因為發現讓個別專家相互交接任務比一群通才每次都以不同方式嘗試做事更有效。AI代理呈現出相同的動態。 為了讓AI代理正常運作，你需要對他們試圖完成的任務有適量的上下文了解。這意味著需要深入的領域理解、一套可供參考的知識、清晰的指示和一套可用的工具。上下文過少，代理將會失敗。然而，隨著更多這些信息進入上下文窗口，我們知道模型可能會變得次優。 對於一個複雜的業務流程，如果你將所有的文檔、工作流程描述和指示放入上下文窗口，我們知道代理最終會感到困惑並提供更差的結果。 因此，未來的邏輯架構是將代理劃分為原子單元，這些單元映射到正確類型的任務，然後讓這些代理協同工作以完成他們的任務。 我們已經看到這一模式在編碼代理中有效地發揮作用。越來越多的例子出現，人們設置子代理，這些子代理各自擁有代碼庫或服務區域的特定部分。每個代理負責代碼的一部分，並且有針對代碼的代理友好文檔。然後，當在該代碼庫的相關區域需要工作時，一個協調代理會與這些子代理協調。 我們可以預見這一模式在未來幾乎適用於任何知識工作領域。這將使AI代理能夠用於遠不止特定任務的用例，並擴展到驅動整個企業工作流程。 即使AI模型改進到能夠處理更大的上下文窗口，且智能水平提高，這種架構是否會消失仍然不明顯。隨著能力的提升，每個代理的角色可能會擴大，但子代理之間的明確分隔線可能始終會導致更好的結果。

AI代理的分工可能與人類的分工相對應。人們正在使用擁有特定微服務的子代理，這些微服務存在於代碼庫中。每個服務都有友好的代理文檔，並隨著進展進行更新。這樣可以優化上下文窗口中的內容。未來將會非常瘋狂。

進階 AI 的心理模型是這些模型將具有高度的可泛化性，但它們需要與非常具體的上下文配對。精確的提示、按任務劃分的子代理、友好的文檔、知識訪問。即使模型有所改進，這一點也不會改變。

如果你正在建立 AI 代理，找出最佳的使用案例以最大化代理擅長的領域與尚未準備好的領域是非常重要的。 AI 代理可以幫助自動化或增強許多工作類別。選擇那些能在短期內提供價值並隨著模型改進而變得更好的正確案例至關重要。以下是一些目前似乎有效的特徵： * 需要大量非結構化數據和信息的工作。這可能是文件、螢幕上的視覺數據、視頻內容等等。這是計算機和軟體以前無法做到的領域，這裡的使用案例非常廣泛。 * AI 代理對於那些需要人類判斷或解釋的事情非常有用，這種情況可能永遠如此。當你發現自己希望複製某些有非常嚴格規則且不斷重複發生的事情時，你可能想要的是軟體，而不是代理。 * 自動化的工作越複雜，越需要人類介入的元素。這就是為什麼代碼代理現在運作得非常好，因為你最終可以測試和研究代理的輸出，以找出哪些是正確的，哪些是錯誤的。即使這些代理做錯了事情，對於任何熟練的用戶來說，介入相對簡單。 * 押注於那些核心智能模型不斷改進的使用案例，這將持續為你的代理帶來收益。如果你今天能用 AI 解決所有關於你的使用案例的問題，那麼這可能不是一個足夠有趣的市場。追求那些隨著模型改進而增值的情境。 還有許多其他特徵決定了哪些使用案例在這個階段適合代理，但最終在每個工作類別中都有大量機會可以追求。

AI代理在知識工作中的一大優勢是，投資回報率在許多以前無法做到的事情上發生了顯著變化。 有大量的工作我們今天不做，因為我們無法證明啟動它的“固定成本”。幾乎每一個新想法都變成了一次會議，隨後又有跟進和更多的協調成本。因此，你理所當然地只優先考慮影響最大的工作，並祈禱你對這些工作的判斷是正確的。 AI代理改變了這裡的計算。產品團隊可以負擔得起原型更多的想法，以查看哪一個更好。商業分析師可以更深入地分析更多的客戶數據，以發現隱藏的見解。工程師可以更快地構建功能。法律團隊可以更好地支持小型客戶。產品市場營銷人員可以運行更多的活動或測試更多的信息，以接觸更多的客戶。 當然，這些事情中的一些不會有太大影響。但許多會有。通過降低嘗試新想法、測試市場營銷信息或研究市場的成本，公司將開始做比以前更多的事情，或者至少能更快地到達他們的下一個目的地。

Figma 的案例研究非常出色。這是一個 100% 專注於打造優秀產品的團隊，產品主導增長，公平定價，建立強大的網絡效應，並在不過度擴張的情況下擴展到合邏輯的相鄰領域。對於下一批初創公司來說，有許多值得學習的經驗。

在 Figma 出現之前，產品設計過程的緩慢程度難以形容。你只能用低保真的線框進行頭腦風暴，反饋循環會花費很長時間，並且你需要等待幾週才能看到模型。現在，你基本上可以在幾小時內看到產品的原型。