内容有些硬核，搭配播客食用或许更佳。
大家好，欢迎来到 A2M 峰会。今天我分享的主题是 “能办成事的 Agent：实时与环境交互，从经验中学习” 。
先介绍一下我自己。我是 Pine AI 的联合创始人和首席科学家。
目前我们 Pine AI 的业务是，通过 AI 打电话帮助用户处理一些日常琐事和争议。在美国，打客服电话通常是一件很麻烦的事情。比如，你可能需要先等待半小时，然后还要花很长时间和客服沟通。如果客服不愿意帮你处理，你可能还会被转接到其他部门。所以整个流程下来，一个电话有时会耗费一两个小时。对很多人来说，并没有这么多时间去跟客服扯皮，有时候就吃了哑巴亏。还有一些人英语口语不够好，打电话沟通也很费劲。而 Pine 可以通过 AI 自动化地帮你完成这整个流程。
让今天的 AI 能帮用户端到端扯皮办事其实是非常难的，绝对不是 SOTA 模型套上一个 Prompt 这么简单。大多数 AI 产品都是仅仅给用户提供一些信息，比如生成一个调研报告，而实际办事还是要用户自己去联系客服。
要让 AI Agent 能端到端办成事，其实非常困难。我们今天就来介绍一下其中一些核心技术挑战，以及 Pine AI 是如何解决这些问题的。
在我看来，目前大部分 AI Agent 仍然主要执行批处理任务。也就是说，它们无法真正与世界或人类进行实时交互。你给它一个任务，它执行半个小时，最后输出一个结果。
这里有两个核心挑战：第一，实时交互时延迟非常高；第二，很难从经验中学习。
这里的 “很难从经验中学习” 是指， Agent 的能力完全依赖于基础模型和在线搜索到的静态知识。无论上一次任务成功还是失败，下一次它并不能做得更好。即使上一次任务完成得很出色，下一次它可能还是会采用别的方法，并不会记住之前成功或失败的经验教训。
我们所做的，最关键的就是让 Agent 能够从经验中学习，越用越熟练。这样就能够让 Agent 在执行语音和电脑操作等任务时，达到真人级的响应速度，同时能够记忆成功的经验和失败的教训，提升技能的熟练度。
首先，我们来看第一个挑战：实时交互的高延迟。
以 Pine AI 为例，它帮助用户拨打客服电话。在通话过程中，客服可能会推荐一些套餐，比如：“您只需要多花十美元，就能获得一大堆花里胡哨的功能。” 一个不加思考的模型可能会立即回应： “太好了，我现在就订！” 这样的决策显然会让用户不满意。
实际上，客服提供的信息很多时候可能带有误导性或推销性质。 Agent 需要有辨别力，判断这是否对用户有利。目前的 “思考型” 模型实际上能够判断出利弊，但它往往需要几十秒才能给出答案，无法用于实时语音交互。而如果不经思考，决策又容易出错。如何解决这个延迟问题？
其次，操作电脑和浏览器的速度很慢。我们有时也需要 AI 帮助我们操作电脑。大家可能已经注意到，从去年底开始，用 AI 操作电脑和浏览器的技术逐渐成熟，今年也出现了很多优秀的产品，比如 AI 浏览器，你可以直接让 AI 帮你操作电脑和浏览器来完成一些任务。
但是，如果你用过这些产品，就会发现它们的速度非常慢。其根本原因在于，每一步操作都需要将当前的屏幕截图和网页的元素树（即页面上按钮的位置、类型、含义等信息）输入到大语言模型（LLM）中，然后才能生成下一步的动作。每次点击鼠标，可能都有三四秒的延迟。
例如，要在谷歌中输入一个搜索词并点击搜索。第一步，它要先截取谷歌的页面，找到搜索框并点击；第二步，在搜索框里输入搜索词，又过去三四秒；第三步，再点击搜索按钮，又是三四秒。整个操作流程比真人慢三到五倍，非常缓慢。
这让很多用户看着干着急，因为它半天也干不完一件事。例如，查个天气可能需要两三分钟，发一封邮件可能要十分钟。如果要预订机票，失败率就非常高了。现在很多 AI 桌面 Agent 产品，在预订机票这类任务上失败率很高，就算能成功，往往也要半小时以上。这样的时间成本，用户是无法忍受的。
我们需要回归第一性原理，思考为什么传统的 Agent “观察-思考-行动” 循环不适用于实时任务。
主要原因在于，现有的大模型在看到屏幕截图后，需要先 “观察” 截图，然后 “思考” 下一步做什么，最后再 “行动” 输出点击动作。
问题是，一张屏幕截图通常包含一两千个输入词元（input tokens）。光是处理这些输入，就需要很长时间，SOTA 模型处理一两千个词元基本需要两秒以上。
你可能会问，能不能不要截图，只用屏幕上的文字呢？对于文字密集的网页或许可以，但很多网页不行。比如，在邮件编辑器或 Word 文档里，有大量只有图标没有文字的格式化按钮。这时，语言很难描述它们是什么，系统也就无法操作复杂的界面。
关于元素识别，它原本是为视障人士设计的辅助功能（Accessibility Features），将界面内的文字提取出来读给用户，然后询问要按哪个。我们知道，这种操作效率远低于正常人。
上面的三四秒还只是看到截图之后做一句话思考，然后立即行动。对复杂的界面，一句话思考往往是不够的，如果增加思考深度，整个 “观察-思考-行动” 过程可能长达 10 秒。相信大家也都用过带思考功能的模型，它们的延迟都很长。
那我们又会想，为什么人类操作那么快？ 人不需要每次点击都思考三四秒甚至十秒。就拿刚才谷歌搜索的例子来说，点击搜索框、输入内容、再点击搜索，整个过程可能三四秒就完成了，三步一气呵成。为什么人能操作得越来越熟练，以至于每一步操作都不到一秒？
其实，人第一次看到一个新软件界面时，思考的时间不一定比大模型快，甚至可能更慢。比如你第一次使用谷歌，或者第一次打开 Word。
习惯用 Windows 的用户，第一次用 Mac 上的 Word 时，会发现每个按钮的样子都变了。初次操作时，大家可能都不太熟练，思考时间很长。那么为什么人的操作会越用越熟练呢？我们可以先卖个关子，把问题留到后面。
那么 Agent 是如何模仿这种人类机制的呢？我们能否让 Agent 也能像人类一样从经验中学习，变得越用越熟练？这是一个很关键的点。
刚才说的是延迟问题，第二个问题是 Agent 无法从经验中学习。我经常打一个比方：现在的基础模型有点像一个刚从清华姚班毕业的学生，他可能特别聪明，拥有丰富的技术知识。但是你让他去做记账报税这种非常具体的细分行业工作，他不一定能做得很好。
具体到我们的场景，也面临很多业务挑战。我举两个有意思的例子。
第一个例子，当我们帮用户打电话办事时，客服经常会验证个人身份信息，对吧？有的公司会问地址、订单号，有的会问信用卡后四位或生日等信息。每个公司验证的信息基本是固定的那几样。
那么，我第一次打电话时，可能不知道需要这些信息，直接打过去，结果对方因为信息不全而无法办理。挂断电话后，我再找用户要信息，然后重新打。那么，当第二个用户来办同样的事情时，我是否能直接向用户索要这些必要信息呢？我可以提前告诉用户： “我需要这些信息才能继续，如果您不提供，这件事很可能办不成。” 这就是经验。
第二个例子，当我想取消一项服务时，很多大公司的客服电话并不处理退订业务，而是要求你在线填写表单或登录账户进行操作。客服在电话里已经告诉你需要填表单了。当然，我可以利用 AI 操作电脑的能力帮你填好表单，把事情办成。但当下一个用户再来办理同样业务时，难道我还要再打一次电话，碰一次壁，然后再去填表单吗？这显然不合理。
因此，办事的经验至关重要。肯定会有人问，未来是否会有一个足够好的基础模型，内置了所有这些经验？越好的基础模型，其常识（common sense）和经验就越多。
例如，你现在去问 OpenAI 的 o3、 Anthropic 的 Claude 4 Sonnet，或者谷歌的 Gemini 2.5 Pro，问它们给电信运营商打电话大概率需要验证哪些信息。它会给你列出好几项，不一定完全准确，但看起来像模像样。这就是常识。
但它能做到绝对准确吗？非常难。因为每个公司的政策在不断变化，可能今年需要某个信息，明年就变了。而大语言模型的知识通常有截止日期（knowledge cut-off），比如当前使用的模型训练数据可能截止到 2023 年底，过去一两年间，很多情况可能已经改变了。
更重要的一点是，很多政策和流程信息是不公开的。目前大语言模型的语料大多来自公开的网络信息，如果网上没有这些信息，那它就无从知晓，只能通过你亲自打电话才能了解到。
比如前面提到的这些 SOTA 模型，问它们给一个具体的电信运营商打电话需要验证哪些信息，它们也说不清楚。
当然，有人会说，使用大语言模型的公司能否利用客户的语料信息去做 RL 呢？这也是很多基础模型公司在做的事情。但这里又涉及到隐私安全法规的问题。用户输入的个人信息和办理的业务能否用于训练基础模型本身，这让许多大型模型公司心存顾忌，不一定敢随意使用。
这就是为什么我们说，基础模型很多时候难以解决这类经验学习的问题。
其实，这些想法并非我首创。最近 OpenAI 的研究科学家姚顺雨发表了一篇很有影响力的文章，名为《The Second Half》，提出我们已进入 AI 的下半场。他指出， AI 下半场最重要的是评测（Evaluation）。具体来说，现在的 AI 评测有两个问题，恰好就是我们前面提到的。
第一， Agent 在办事过程中缺少与真人的实时交互。他举例说，目前大多数 Agent 的工作模式是：一次性给它包含所有信息的长篇指令，然后等待十分钟出结果。然而，现实世界中无论是客服还是秘书，都不是这样工作的。他们通过与人不断地双向交互来完成任务。
第二，缺少从经验中学习的机制。例如，在现有的所有测试用例中，测试样本都是相互独立的。这遵循了机器学习的一个基本假设，即独立同分布（i.i.d.）。这意味着，每次测试前，环境都会被重置。但真人并不是这样工作的。
他举了一个谷歌软件工程师的例子。当工程师第一次在某个项目中写代码时，可能并不熟悉。但随着他对项目代码越来越了解，他会写得越来越好，尤其是在遵循谷歌内部的编程和软件工程规范方面。谷歌内部有很多外部所没有的代码仓库、工具和库。你不能指望一个模型天生就会使用这些。工程师是如何随着经验的积累，逐渐学会使用公司内部的工具和库的？这些都非常关键。
刚才提到的这两个问题，不仅是我们自己观察到的，也是整个 Agent 行业面临的普遍挑战。但是大多数做 Agent 的公司并不打算自己解决这个问题，而是寄希望于基础模型公司的下一代模型。
接下来，我们来介绍如何解决这两个问题：第一，如何提升响应速度，实现与人的实时交互；第二，如何让 Agent 从经验中学习。
首先是实时响应速度。关键在于两个方面：一是快慢思考相结合；二是利用代码生成能力创造工具，以加速在电脑、浏览器和手机上的操作。
首先是快慢思考结合。快慢思考是认知科学里一个经典概念，源于知名著作《思考，快与慢》。书中提到，大脑中存在快思考和慢思考两种模式。快思考负责实时响应和条件反射，通常由语言中枢等部分主导；而慢思考则在后台进行深度处理。
如今，越来越多的 Agent 开始应用快慢思考的概念。 Pine 自身也采取了这种模式。去年底， Google DeepMind 发表了一篇名为《Talker-Reasoner》的论文，也阐述了类似理念。
其核心概念是设置一个 “说话者” （Talker） Agent，负责与外部世界（包括人与计算机）交互，例如打电话、操作电脑、手机和浏览器等。
同时，一个 “推理者” （Reasoner） Agent 在幕后扮演 “谋士” 的角色，负责制定策略。那么，它们之间是如何交互的呢？
在这张图里，上方是 “推理者” （Reasoner） Agent。它可以通过调用工具（如后台搜索、访问网页等）来制定多步规划（multi-step planning），并将规划结果存入一个共享内存（shared memory）中。
“说话者” （Talker） Agent 作为快思考模型，负责与世界直接交互，如与用户对话或操作电脑。它在每一步都会评估当前的环境状态。这个状态包括与用户交互时的对话历史，或操作电脑时的屏幕截图、元素信息和操作历史。
“说话者” Agent 会基于 “推理者” 的长期策略和当前状态来执行下一步操作。与此同时， “推理者” 会持续观察当前状态，在一个较慢的循环中进行深度思考，也会调用搜索等工具，以决定下一步的策略。
具体到我们的场景中，比如 Agent 在与运营商客服通话时，如果客服推荐了一个套餐，不经思考的决策可能是： “太好了，我现在就订！” 但在快慢思考结合的模式下，快思考模型会在重要决策点上主动拖延时间，比如它会说： “能再介绍一下吗？还有其他更实惠的方案吗？” 以此争取一分钟左右的时间。在此期间，慢思考模型在后台进行深度分析，并做出最终决策。快思考模型接收到决策后，便会遵照执行。
这需要快慢思考模型之间有良好的配合。快思考模型需要知道什么是重要决策、如何拖延时间以及相应的话术。收到慢思考模型的决策后，它需要严格执行，并且表现得自然，不能像是突然接收到指令，而要像是自己想清楚后的决定。
要实现这种配合，需要通过强化学习（RL）进行训练，即通过 SFT （监督微调）和 RL 让快思考模型学会与慢思考模型配合。
除了二者配合之外，经验的积累也很关键。比如，什么是重要决策，何时需要拖延时间。当然， Agent 不能每句话都拖延时间，否则沟通效率会变得极其低下。因此，对于一些已经非常熟练、有确定性答案的任务，我们应该通过 RL 将这些办事经验直接内化到快思考模型中。这样，快思考模型无需再等待慢思考的介入，就能不假思索地做出决策。
这就是快慢思考结合的关键：一方面，通过 RL 将高频、简单的任务经验内化；另一方面，训练快思考模型与慢思考模型无缝配合，共同完成复杂任务。
好，刚才讲的是第一项技术：快慢思考结合。第二项技术是利用代码生成能力，加速对图形用户界面（GUI）的操作，这包括电脑、浏览器、手机等。
前面提到，当前基于 LLM 的 AI 桌面 Agent 操作速度很慢。相比之下，传统的电脑自动化工具，如按键精灵或网页爬虫软件——这些都属于 RPA （机器人流程自动化）领域——操作速度通常很快，甚至比真人还快。这是因为 RPA 软件的脚本是写死的，每一步都精确地点击固定位置的按钮或在固定输入框中输入内容。它的响应速度只受限于计算机本身的处理时间和网络延迟。一般来说，如果网络和网站性能良好，每步操作可以在 500 毫秒内完成。
既然现在 AI 的代码生成能力（如 Cursor 等工具）已经很强，我们是否可以利用它来生成 RPA 代码，从而自动化操作电脑呢？但这里有两个问题：第一，如果网站界面改版，原来的 RPA 代码会全部失效。
第二，传统 RPA 软件缺乏鲁棒性。例如，点击某个位置后，可能会弹出一个预期之外的错误框，但程序无法感知，仍然会继续执行下一步操作。
此外，它也无法理解信息。例如，要在淘宝上找到满足特定条件的商品， RPA 软件无法端到端地完成。因为 “寻找” 这个动作需要理解商品信息并根据条件进行筛选，这是固定的 RPA 脚本无法做到的。
那么，如何解决这些问题呢？我们的方法是，把代码生成作为一种从经验中学习和表达知识的方式。
“从经验中学习” 的知识表达方式有很多种，代码生成是其中非常重要的一种。
最近有很多关于 Agent 自我进化的文章，其核心就是让 Agent 自己修改代码。这种修改可以分为几个层次：生成工具、生成 Agentic Workflow （工作流），以及创建新的 Agent。
例如，目前在 GAIA 通用 Agent 排行榜上排名第一的 Alita 项目，其核心思想就是让 AI 根据需求自动生成工具，然后由主模型调用这些工具来完成任务。通过这种方式，它能充分利用开源软件和代码生成能力，解决许多固定工具难以处理的问题。
让 AI 自主生成工具，也分为三个层次。第一是生成 LLM 直接调用的工具，就是上面 Alita 的做法。当然让 Agent 生成工具有很多学术界工作都做过了，但像 Alita 那样，在工程上优化到极致并不容易。
第二是生成 Agentic Workflow，即操作的轨迹序列。如果我经常做一个操作，就会非常熟悉它的流程。
比如，习惯使用 Gmail 的用户，闭着眼睛都能想出操作流程：左上角是 “写邮件” 按钮，点击后右下角会弹出窗口，先在标题栏输入标题，然后在收件人一栏输入地址，填写正文，最后点击发送。
这个脑海中对界面布局和操作流程的清晰模型，其实就是我们过往操作经验的沉淀。这些经验可以被固化为一个工作流记忆（Workflow Memory），这是第二个层次。
第三个层次是生成 Agent 本身，这在目前还比较困难。
我们现在的方法是综合使用第一和第二个层次：自动生成工具，并用工作流记忆来自动化地执行流程。例如，要写一封 Gmail，我可以生成一个工具，它首先定位并点击左上角的按钮，等待右侧窗口弹出，然后定位并输入收件人地址，接着输入邮件内容，最后点击发送。整个流程可以被固化成一个确定的 RPA 操作轨迹。
但我们不能简单把一个任务的所有操作都固化成一个 RPA 操作轨迹，因为固定的代码无法理解自然语言内容。例如，在淘宝上买东西，我需要先搜索商品，然后在众多结果中找到符合我要求的那个。找到想要的商品这一步需要基于内容进行判断，因此必须由大语言模型来完成。
因此，我们生成的 RPA 工具不能是一条贯穿整个任务的、一成不变的序列。它应该被切分成许多小段，每一段都是不需要内容判断的确定性操作。每当一个序列结束，流程就回到大语言模型，由它来判断下一步应该调用哪个工具。这样，我们最终得到的是一个由多个小工具组成的工具集，而非单个僵化的长脚本。
当然，AppAgentX 这篇论文只是提出了一个大方向，要真正实现成功率高、反应速度快的图形界面操作，还需要大量的工程细节优化。我们做了很多优化，最后实现的图形界面操作比 OpenAI、Anthropic 官方的 computer use 快 5 倍。
举个例子，比如在谷歌上查天气。传统方式可能需要 9 次大模型调用，耗时 47 秒。而加速后，只需要 2 次大模型调用和 1 次 RPA 工具调用。这个工具内部可能包含了 7 个原子操作。我们只需要在开始时，让大模型看一眼谷歌首页，决定使用 “谷歌搜索” 工具；在结束时，再让大模型从结果页面提取天气信息。中间的所有点击和输入都由 RPA 代码闭环完成，速度会非常快。
第二个例子是在航空公司官网订机票。一般流程包括：查询航班、注册会员、填写非常复杂的乘客信息表，最后是支付。整个流程走下来，可能涉及数百次点击、输入和页面跳转。我们的一次测试显示，用传统方式订一张票耗时 19 分钟，涉及 240 次 API 调用，过程非常缓慢。
而经过加速后，当第二次在同一个航空公司网站订票时（即使是为不同的人），整个过程只需要 4 分钟。这是因为我已经将 “查航班” 、 “注册会员” 、 “填表” 、 “支付” 这四步固化成了四个独立的工具。只要航空公司不改版，并且任务类型（如舱位、支付方式）一致，这四个工具就可以被复用，实现 “闭眼操作” ，大大提升了效率。
与传统 RPA 相比，我们的方法不仅无需任何人力开发成本，还能实现完全自动化，并在网站改版时自动适应。
刚才我们讨论了如何通过代码生成能力加速图形界面操作。前面讲的两项关键技术——快慢思考结合与代码生成工具——都是为了实现真人级的响应速度。
接下来我们谈第二个大方面：经验学习。 Agent 如何像人一样，越用越熟练？前面讲的代码生成加速操作，本质上也是一种经验记忆。它只是将记忆用代码的形式表达出来，成为了工具库的一部分。
但还有很多业务挑战，需要通过模型参数或知识库来进行经验记忆。例如，之前提到的，打电话办事时，能否记住不同公司需要验证哪些信息？办理退订时，能否记住某个服务需要在线填表，而不是每次都盲目地先打电话？
经验是 Agent 领域最重要的事情之一。强化学习之父、图灵奖得主 Richard Sutton 早在 2005 年就提出了一个观点： AI 应该是经验驱动的。经验是什么？是 Agent 与环境交互的所有历史。如果你的模型有足够长的上下文，你可以把所有交互历史都放进去，这就是经验。
但这说起来容易，却不一定是最有效的表达方式。许多人认为，只要将所有历史数据扔进上下文，模型就一定能理解，这种想法是错误的。虽然现在顶尖的模型在 “大海捞针” （needle in a haystack）测试中表现出色——比如在几十万字的小说中找到某个具体情节——但如果信息之间存在复杂的逻辑关系，模型在有限时间内准确推理出这些关系的可能性就会大大降低。
所以，我们需要对经验进行总结和提炼，而不是简单地把所有历史记录扔到上下文中。我们需要更高效的知识表达方式。
目前经验主要有三种表达方式：第一，通过模型参数，即 SFT 或 RL；第二，通过知识库。就像把经验写成小红书笔记，下次遇到类似问题，先在内部 “小红书” 里搜一下，就知道该怎么办了。第三，就是用代码生成的方式，把流程固化成工具，也就是所谓的 Agent 自我进化，Agent 自己创造工具。
模型参数和知识库，是 AI 圈子里经久不衰的两个争论方向：到底应该在一个优秀的开源模型上做 SFT 和 RL，训练一个更强的行业模型；还是应该用一个顶尖的闭源模型，再外挂一个知识库？
理论上讲，如果开源和闭源模型水平相当，且你有足够多的高质量数据，那么 “开源+微调” 无疑是最佳选择。但现实是，如果你的闭源模型远超开源模型，例如，你用的是 Gemini 2.5 Pro 或 Claude 4 Sonnet，而开源的只是一个 8B 模型，那么无论如何微调，后者也不可能超越 “顶尖闭源模型+知识库” 的组合。这在某种程度上是开源与闭源之争。作为一家做 Agent 的公司，我们认为不必拘泥于其中一种，而是两方面都要做好，让它们协同发挥作用。
在这方面，最好的学习榜样是 Cursor。无论从公司市值还是对世界产生的实际贡献来看， Cursor 都可能是目前最成功的 AI Agent 公司之一。
Cursor 的技术秘诀是什么？最关键的就是它的专用模型。首先是代码补全（Tab completion）。它的补全效果远超其他 IDE。代码补全功能几年前就有了，但效果远不如 Cursor。如果用一个通用大模型去做代码补全，输出速度又跟不上。
第二个是代码变更应用（apply code diff）。当 LLM 输出一段增量代码时，如何从数千行原文件中精确定位并正确应用这部分变更？这需要一个专门的 apply model， Cursor 在这方面也做了自研。这个 apply model 经常出问题，这也是我个人使用 Cursor 时经常遇到的一个问题。
第三个是代码库搜索。当我的代码库有十万行代码时，如何找出最相关的几个文件或片段传给大模型，以生成合适的代码？老版本的 Cursor 经常出现一个问题：因为上下文中没有包含某个已存在的文件，它会重新生成一个，把原来的覆盖掉，导致出错。这些问题都依赖于强大的代码库搜索能力来解决。
这些专用模型构成了 Cursor 的技术护城河。这也解释了为什么尽管 Cursor 的 Prompt 很容易被获取，但在众多 AI IDE 竞争者中，却鲜有能在用户体验和效果上与之媲美的。因为它们底层有自己的专用模型。
我们在 Pine 的实践也是如此。我们跟 Cursor 的共同点是，我们在任务规划和深度思考方面都使用最前沿的闭源模型，比如 Claude、 Gemini 或 OpenAI 的模型。但我们构建了自动更新的领域知识库，并针对特定任务，训练了经过 SFT 和 RL 的专用模型。通过这种 “顶尖闭源+知识库+专用开源+RL” 相结合的系统，我们能获得更好的性能。
提到 RL，有些人会把它当成万灵药，认为有了 RL， Agent 的智商就能无限提升，从一无所知到无所不通。这通常是很难做到的。
最新的研究表明， RL 方法很难提高模型的 “智商” ，模型的智能上限仍然受限于其基座模型的能力。从理论上讲也很容易理解： RL 的前提是 “强化” ，它不能凭空创造出模型从未见过的输出序列。它只能在基座模型已经生成的序列中，根据奖励信号（reward）是高是低来进行调整。也就是说，如果模型曾经输出过一次正确的思考过程， RL 可以强化它，让它 “记住” 下次照着做。但如果基础模型根本就没有概率输出正确的答案， RL 就无从强化。
所以， RL 的作用是让 Agent 变得 “熟练” ，而不是 “聪明” 。这一点至关重要。我的 Agent 之前办一件事，可能十次才能成功一次；经过 RL 之后，它可以做到十次成功九次。这才是 RL 的关键价值。
例如， Anthropic 最近的一项研究表明，通过 SFT 和 RLHF，可以让模型遵循大量 “奇怪” 的规则。
这篇论文里列举了 51 条奇怪的规则，比如：输出代码时必须遵循一种特殊的代码风格；输出年份时必须使用一种特殊的格式；写菜谱时，无论好坏都必须提到巧克力。这些规则听起来很奇怪。
但在很多行业知识（know-how）中，也存在大量在外行看来很奇怪，但内行一看就懂的规则。如何让模型遵循这些行业规则？如果用一个较小的模型，并通过微调把规则注入参数，它可能很容易忘记其中几条。
如果用一个最大的 “思考型” 模型，它或许能记住所有 50 多条规则，但推理时间又会很长。那么，如何能让一个开源模型，在不经过长时间思考的情况下，同时遵循所有这些 “奇怪” 的行业规则呢？用 SFT 和 RLHF 是最合适的方式。
刚才说的 RL，主要是用来形成 “肌肉记忆” ，让模型把一件事做得更熟练。但在实际业务中，我们不可能每天都重新训练模型。很多时候，我们希望经验能被快速应用。比如，我刚完成一个任务积累了经验，下一次能否立即用上？ RL 的迭代速度显然跟不上。
这时，知识库就派上了用场。我们可以把每次办事的经验记录在知识库中，以便在后续场景中即时调用。目前很多 AI Agent 产品都缺少知识库，导致同样的事情失败一次又一次，却不能吸取教训。
我也很好奇为什么大家都不去做知识库和 RL。当然，也希望未来有更多的 Agent 产品能把这一点做好。其实可以设计一个简单的实验：用一个账号去做一件事，失败了；然后换个账号再做一次，看它能否比之前做得好。大部分产品会和之前一样，原地踏步。
很多 Agent 产品似乎都在等待基础模型的下一次迭代。但我认为， Agent 最关键的核心，始终是从经验中学习。而经验积累说起来简单，做起来却很难。其中最大的难点在于评测（evaluation）——如何判断什么是好的经验，什么是不好的。
例如， Agentic tool use 领域有一个叫 tau-bench 的 benchmark，它是由前 Sierra （一家顶尖的客服 AI 公司）的科学家姚顺雨提出的，专门用于评测 Agent 的工具调用能力。
这个 benchmark 模拟一个用户与客服交流的场景。客服 Agent 需要通过调用各种工具，来满足用户需求，同时遵守预设的规则（guideline），比如航空公司的订票政策。
我们可以看到，许多现有模型在 Tau-Bench 上的分数都偏低。例如，在 Airline （航空）场景下，无论是 Claude 3.7 Sonnet、 Claude 4 Sonnet 还是 Claude 4 Opus，成功率都只有 60% 左右。为什么顶尖模型的得分这么低呢？
我们自己测试后，有了一些有趣的发现。我们的基线（baseline）是使用 Claude 4 Sonnet。我们发现，单次让模型自己思考，有时结果不够准确。
因此，我们采用了一种学术界称为 “顺序修正” （Sequential Revision）的方法，这也是我们 Pine AI 在实际使用的方法。每当 Agent 准备向用户发送信息，或执行一个不可逆操作（如修改订单、取消机票）时，它会先调用另一个 “评判器” 模型。
这个评判器模型也是一个强大的大模型（如 Claude 4 Sonnet，但有不同的 prompt 或参数），它会决定 “批准” 或 “拒绝” 即将进行的操作。如果评判器拒绝了，我们会将之前的上下文、被拒绝的操作以及拒绝理由，一起重新输入给执行任务的模型，让它重新生成一次操作。
这个方法听起来很简单，相当于在行动前多反思一遍。但仅通过这种方式，就将测试成功率从 56% 提升到了 64%。
这 8%的提升来自哪里？主要是一些被成功拒绝的情况。比如，在没有充分调研前就仓促下结论。在 Tau-Bench 中，如果用户要求 “找到最便宜的机票” ，模型可能找到一个后就想返回结果。这时评判器会发现它没有穷尽所有可能性，并提示它 “重新想想” 。
还有一些情况是操作违反了 prompt 中的规则，比如 “超过 24 小时的机票不能取消” 。评判器会发现这类问题。此外，还有计算错误等情况。
但是， 64% 的成功率意味着仍有 36% 的错误。这些错误是什么原因造成的呢？
我们让 Claude 4 Sonnet 对失败案例进行了自动分析。在 Airline 数据集的 50 个例子中，有 18 个失败了。而在这 18 个失败案例中，竟然有 8 个是由于 ground truth （即标准答案）本身就是错的。
例如， ground truth 违反了测试框架设定的规则。规则明明说 “航班超过 24 小时不能取消” ，但 ground truth 里的操作却是取消了航班。还有的 ground truth 包含事实性错误，比如把用户的名字写错了。
还有两个用例，客服认为自己无能为力，因为怎么做都违反政策，或者无法满足用户的预算要求。但实际上，存在一些更聪明的创意方案可以解决问题，只是标注数据的人没有想到。
在这 18 个失败案例中， 12 个是测试数据集自身的问题，只有 6 个是 Agent 本身的问题，比如调研不充分或过早放弃，但 Agent 没有做任何违反规则的事情。
可以看到，在这些复杂的场景下，人类标注的错误率甚至比 AI 还高。这反映出，在使用当前最前沿的模型后， AI 在某些方面甚至比人类更可靠。这也凸示了构建一个高质量测试数据集的难度。如果人去标注，数据里的错误可能比 AI 还多，那该怎么办？
因此，我们一直坚持一个观点：让 LLM 充当评测者（LLM as a Judge）。在很多场景下，特别是当输入是纯文本、规则清晰且不涉及深奥的行业知识（比如看懂医学影像）时，最先进的 AI 模型的分析能力已经超过了人类的平均水平。
在这种情况下， LLM as a Judge 是评测 Agent 的一种非常好的方法。它不仅能评测 Agent 的实际表现，对于构建 RLHF 的训练数据和知识库也至关重要。因为 RLHF 需要不断生成（rollout）可能的轨迹，并判断其好坏。如果用 AI 来自动评判，迭代速度会快很多。同样，在构建知识库时，一个案例应该被记为正例还是反例，也需要准确的判断。
很多时候，如果我们用 LLM 去评测，发现效果很差，原因通常是以下几点：
第一，规则不够清晰。规则清晰的标准是 “外行能看懂” ，而不能假设基础模型具备内行知识。很多在内行看来是常识的东西，在外行看来并不显然。
第二，上下文不全。比如，用户的基本信息没有给全， AI 就无从判断对错。
第三，使用的模型不是最先进的（state-of-the-art），或者没有开启 “思考模式” 。如果用一个较弱的模型去评判，它可能会对任何输出都说 “太好了，太有道理了” ，实际上根本没发现关键问题。因此，基础模型的能力至关重要，一定要用最好的模型来做评测和分析。
好，我们做一个简单的总结。如何降低 AI Agent 的实时交互延迟并提升其解决问题的能力？
我们提出了两个主要方向：
1. 通过 “快慢思考结合” 来降低延迟。
从经验中学习，又有几种具体方法：
这几种方法不是互相取代的关系，而是互为补充的关系。闭源模型 + 知识库 + 工具作为慢思考，开源模型 + SFT/RL 作为快思考，是构建 Agent 技术护城河的关键。
无论是生成代码、构建知识库，还是为 SFT/RL 提供数据，一个准确的自动评测机制都必不可少。我们认为，在许多场景下， LLM as a Judge 已经是比人类更可靠、更高效的评测方式，是未来 AI 评测的关键方向。
希望通过今天的分享，能启发更多人去构建能与世界实时交互、能真正解决实际问题的 Agent。
Agent 与世界的交互可以分为三个层次：
第一个层次是实时语音电话。我们 Pine AI 在这一层已经做得相对成熟。语音模态的输入速度大约是每秒 15 到 50 个 token，这对大多数 LLM 来说，实时输出仍有挑战，因此需要我们前面提到的快慢思考等工程方法。
第二个层次是操作图形界面。这比语音更难，因为它涉及视觉模态的输入，每张截图可能包含近 2000 个 token。我们目前在这一层的探索也达到了行业前沿水平。在处理写邮件、订机票等复杂任务时，完成率接近 100%，远高于市面上多数开源的浏览器操作框架。并且，在熟练之后，操作速度也比它们快很多倍。
第三个层次是与物理世界交互。这可能是未来几年需要探索的方向，包括机器人、自动驾驶，甚至是在图形界面中玩动作游戏。它要求极快的反应速度，可能涉及视觉加语音的混合模态输入，每秒的输入 token 量可能高达 20k。
与物理世界交互时，错误的代价也更严重，比如自动驾驶的一个失误可能是灾难性的。因此，这对 Agent 的要求也最高。
我们 Pine AI 正是沿着这个路径，从语音电话，到图形界面，再逐步向更深层次探索，希望让 Agent 能够真正与世界实时交互，端到端地为用户完成任务。
我们现在的第一个产品，就可以通过打电话和操作电脑来帮你办事。你只需提供一些基本信息，它就能联系客服，帮你处理各种事务——无论是协商账单、取消订阅、处理退款，还是预订餐馆、查询实体书店信息。我们以高成功率为目标，办不成事不收费。
打电话、操作电脑、发邮件这些都是我们的基础能力。它们的组合，未来的想象空间非常大。
最后，也给我们公司打个广告。我们 Pine AI 正在寻找能够构建 SOTA autonomous AI Agent 的全栈工程师。
我们秉持一个观念：每个人对公司的贡献都要足够大，每个人对公司估值的贡献都要在千万美元以上。
我们有几点要求：
首先，必须熟练使用 AI 编程工具。我们的代码面试，就是在 AI 辅助下，用 AI IDE 在两小时内，基于一个开源项目，完成一个新功能需求的开发。如果完全不会用 AI 编程，很难在规定时间内完成。在我们公司， 80% 以上的代码是在人与 AI 的协作下完成的。项目管理、案例分析等内部系统也都基于 AI 构建。 AI Agent 让我们成为了一个真正的 AI 原生团队。
其次，要喜欢动手编码解决问题。就像 Linus 的名言：Talk is cheap, show me the code. 既然 AI 已经能完成大量底层编码工作，人更像是一个架构师和产品经理的结合体。你只需要在 prompt 里告诉 AI 你想做什么、软件架构是怎样，或者处理一些疑难杂症。在这种模式下，自己动手编码是必要的，因为你指挥几个初级员工，还不如直接指挥 AI，信息传递的损耗更小。我们这里没有初级员工，每个员工都要充分利用 AI 工具，把生产力提上去。
第三，要有扎实的软件工程能力，保证生成的代码质量和风格。在 AI 编程的时代，软件工程质量更为重要。如果没有文档，没有测试用例，没有本地测试环境， AI 是很难具备读心术猜到这些代码是干什么用的，也就很难独立完成编码任务。
第四，需要理解 LLM 的原理，紧跟 LLM 领域的最新发展，自己有能力编写 AI Agent。只有了解 LLM 的基础原理，不断更新对 LLM 能力边界的认知，才可能驾驭 LLM，给它合适的上下文和工具，实现 SOTA 水平的 Agent。
最后，也是很重要的一点：要有解决世界级难题、达到 SOTA 水平的信心，要有跟初创公司一起成长的信心和勇气。就像做研究一样，如果你的论文水平不如别人，就无法发表。这种信心是必须的。
希望能与更多志同道合的人一起，通过构建能与世界实时交互、从经验中学习的 Agent，真正为用户解决烦恼，办成事，让用户随着办成一件又一件事逐步对 Agent 增加信任，最终让用户把越来越多重要的事情交给 Pine 来做。
谢谢大家！
（文：特工宇宙）