---
title: AI 近期思考：从 Codex 到 Agent 自我进化
slug: ai-recent-thoughts-codex-to-agent-evolution
description: 从 Rohan Varma 的「做不可能的事」到梁文锋的「自我迭代」，聊聊我对 AI Agent 进化的五个判断：能力质变、自我进化、编码军备赛、模型降维打击、以及从回答问题到作用于真实世界。
date: 2026-07-29
published_at: 2026-07-29 20:00
category: Notes
tags:
  - AI
  - Agent
  - MCP
  - 产品思考
  - 工作流
draft: false
featured: true
hidden: false
archived: false
---

最近几个月，AI 的变化速度明显加快了。不是那种「又出了一个新模型」的加快，而是**我们对「AI 能做什么」的认知边界在被不断推开**。

我想把最近的观察整理成五个判断，每个都对应一个正在发生的趋势。

## 一、「把同一件事做快一点」 VS 「我们做了以前根本不可能去碰的事情」

OpenAI Codex 的产品负责人 Rohan Varma 在今年 2 月的 [20VC 播客](https://www.20vc.com/2025/02/06/rohan-varma-why-the-cost-of-intelligence-is-declining-exponentially-why-codex-changes-our-perception-of-what-ai-can-do/) 中提出了一个很锐利的框架：

> **「把同一件事做快一点」（doing the same thing faster）**
> **VS**
> **「我们做了以前根本不可能去碰的事情」（doing things that were previously impossible）**

这个区分之所以重要，是因为它揭示了当前 AI 产品的两个阵营：

- **效率派**：用 AI 让已有的工作流更快。Copilot 补全代码、AI 润色文档、自动生成周报——这些都在这个象限。价值是线性的，省时间就是省成本。
- **可能派**：用 AI 去碰以前根本不敢想的事。让 Agent 自主完成一个完整的功能开发、让模型通过纯强化学习涌现出推理能力、让非程序员能从零搭建硬件产品——这些是以前「不可能」的。

### 我自己的体感

这个框架放在我身上特别有说服力。

**以前我做的事情**：写代码时等 Copilot 补全下一行、用 ChatGPT 润色一段文字、让 AI 帮我总结一篇论文。这些是「做快一点」。

**现在我开始做的事情**：

1. **自己动手做硬件**——我用 ESP32 + 称重传感器做了一个智能水杯秤，用 Orange Pi + ESP32 做了一个跑 Agent 的桌面宠物。以前这些需要嵌入式工程师的背景，现在 AI 帮我查引脚定义、写驱动代码、调试通信协议。我不是「更快地完成了硬件开发」，我是**一个软件工程师开始做硬件了**——这件事以前不在我的可能性集合里。

2. **自己动手训练/微调模型**——以前训练模型是算力大厂的事。现在有了 DeepSeek-R1 这样的开源推理模型，加上各种开源工具链，个人开发者可以基于开源模型做领域适配、做蒸馏、做自己的 Agent 系统。这件事的成本门槛在指数级下降。

Rohan Varma 在那期播客里说的核心观点就是：**Codex 不是让你写代码更快，而是改变你对「什么可以被自动化」的认知**。当智能的成本趋近于零，限制你的不再是「这要花多少时间」，而是「你敢不敢想象这件事可以被完成」。

```d2
direction: right

效率派: {
  label: "效率派\n把事做快一点"
  style.fill: "#282840"
  style.stroke: "#FAB387"
  style.stroke-width: 2
  style.border-radius: 12
}

可能派: {
  label: "可能派\n做以前不可能的事"
  style.fill: "#282840"
  style.stroke: "#A6E3A1"
  style.stroke-width: 2
  style.border-radius: 12
}

效率派 -.-> 可能派: {
  label: "认知跃迁\nCost of Intelligence → 0"
}
```

## 二、Agent 应该走向自我进化

如果把 Agent 比作我们派出去的员工，那现在的管理方式是很原始的。

你给 Agent 一个任务，它去执行，成功了或失败了，然后呢？**没有然后**。下一个任务来，它可能犯一模一样的错误。

但真正的员工不是这样工作的。好的团队每天有站会、每周有复盘，看看哪里出了问题、哪些能力需要补强、哪些流程需要优化。**Agent 也应该这样。**

### 和梁文锋的思路不谋而合

DeepSeek 创始人梁文锋在近期的内部沟通中提到了类似的思路：**大模型未来是要自我迭代的**。

这不是空谈。DeepSeek-R1 已经在技术上验证了这个方向。根据 [DeepSeek-R1 技术报告](https://github.com/deepseek-ai/DeepSeek-R1)（arXiv:2501.12948），他们做的最关键的一件事是：

> **直接对基础模型应用大规模强化学习（RL），无需依赖监督微调（SFT）作为前置步骤。**

这意味着什么？意味着模型不是在「模仿人类写的正确答案」，而是在**自己探索解题路径**。在这个过程中，DeepSeek-R1-Zero 自然涌现出了自验证（self-verification）、反思（reflection）、生成长链思维（long CoT）等能力。

**这是第一次有研究证明：LLM 的推理能力可以纯粹通过 RL 来激励，不需要 SFT。**

把这个思路迁移到 Agent 层面：

| 传统 Agent | 自我进化 Agent |
| ----------- | --------------- |
| 任务失败就结束了 | 失败后自动分析原因 |
| 每次从零开始 | 积累经验，越用越强 |
| 能力由开发者预设 | 通过反馈循环发现新能力 |
| 错误重复出现 | 错误被记录并避免 |

### 每天给 Agent 开日会

我在实际使用 pi（我的 AI 编程助手）的过程中，越来越强烈地感受到这个需求。理想的状态应该是：

- **晨间同步**：Agent 汇报昨天完成了什么、遇到了什么阻塞、发现了什么可优化的模式
- **错误复盘**：系统性地归类失败案例——是上下文理解错了？是工具调用参数错了？还是目标本身就不明确？
- **能力规划**：根据错误模式，主动建议需要新增的工具/Skill/知识源

这不仅仅是工程问题，更是一个产品设计问题：**如何让 Agent 的使用者感知到 Agent 在变聪明？**

## 三、所以目前很多模型厂商，其实都在追求模型的编码能力

如果你仔细观察过去半年各大模型厂商的发布会，会发现一个明显的趋势：**所有人都在卷编码能力**。

为什么？因为编码能力是 AGI 的「必修课」，也是最容易量化的竞技场。

### SWE-bench 成为新战场

[SWE-bench](https://www.swebench.com/)（Software Engineering Benchmark）已经成为衡量 AI 编码能力的标准答案。这个 benchmark 让 AI 去 GitHub 的真实 issue 里修 bug，而不是做简单的代码补全。最新的排行榜上：

- OpenAI Codex 专门为自主编程设计
- Claude 3.5/4 系列在编码任务上持续领先
- DeepSeek-R1 及其蒸馏系列在开源模型中表现突出
- 国内各家（通义、智谱、月之暗面 Kimi-Dev）都在发力编码

### 编码能力 = 通用问题解决能力的代理指标

模型厂商疯狂追求编码能力，背后有一个隐含逻辑：**编码能力是通用智能的最佳代理指标**。

原因很简单：

- 编码需要理解复杂的需求（语言理解）
- 需要规划实现步骤（推理和规划）
- 需要调试和纠错（自我修正）
- 需要调用 API 和工具（工具使用）
- 需要处理多文件依赖（长上下文管理）

**如果一个模型能把代码写好，它大概率也能做好其他需要结构化思维的任务。** 这就是为什么编码能力成为兵家必争之地。

更深一层的原因是：**代码是可以自动验证的**。写出来的代码能不能跑、测试过不过、bug 修没修好——这些都是客观标准，不像聊天对话那样主观。这让编码能力成为一个「无法造假」的竞争维度。

```d2
direction: right

编码能力: {
  label: "编码能力"
  shape: circle
  style.fill: "#282840"
  style.stroke: "#CBA6F7"
  style.stroke-width: 3
}

推理: { label: "推理" }
规划: { label: "规划" }
工具使用: { label: "工具使用" }
自我修正: { label: "自我修正" }

编码能力 --> 推理
编码能力 --> 规划
编码能力 --> 工具使用
编码能力 --> 自我修正

推理: {
  style.fill: "#1e1e2e"
  style.stroke: "#89B4FA"
}
规划: {
  style.fill: "#1e1e2e"
  style.stroke: "#A6E3A1"
}
工具使用: {
  style.fill: "#1e1e2e"
  style.stroke: "#F9E2AF"
}
自我修正: {
  style.fill: "#1e1e2e"
  style.stroke: "#F38BA8"
}
```

## 四、大模型的变化：升级带来的降维打击

这是我最想提醒大家注意的一点：**模型升级带来的不是线性提升，而是降维打击。**

### 越聪明的模型，越少的约束

我观察到的一个规律是：

| 模型时代 | Prompt 工程的复杂度 | 约束数量 |
| --------- | ------------------- | --------- |
| GPT-3.5 时代 | 极高，需要精心设计 few-shot、CoT 提示 | 大量 |
| GPT-4 时代 | 中等，基本指令+少量示例即可 | 中等 |
| o1 / Claude 3.5+ 时代 | 低，简单描述需求就能理解 | 较少 |
| 当前前沿模型 | 极低，甚至「说人话」就行 | 最少 |

**越强大的模型，越不需要你教它怎么做事。** 你只需要说清楚「做什么」，它会自己搞定「怎么做」。

但这带来一个问题：**你为旧模型精心设计的 prompt 和 workflow，在新模型面前可能不仅多余，甚至有害。**

### 需要经常更新能力和 Prompt

我自己的体会是：每当有重大模型更新，都需要重新审视之前沉淀下来的东西：

- **Prompt 模板**：以前需要详细的角色设定和输出格式约束，现在可能只需要一句话
- **Workflow 设计**：以前需要把任务拆得很细才能保证质量，现在可以给更大的自主权
- **Skill / Tool 的设计粒度**：以前需要把工具做得很小很专，现在可以给更通用的工具让模型自己组合
- **评估标准**：以前模型能达到 60 分就算不错，现在 90 分才是及格线

这就是「降维打击」的意思：**不是你的 Agent 变强了，是你对 Agent 的预期基准被整体抬高了。** 以前觉得惊艳的能力变成了 baseline，以前觉得不可能的事情变成了理所当然。

### 一个具体的例子

以我博客的构建系统为例。早期我用 AI 帮忙写文章时，需要给它非常详细的 outline、每段的要点、甚至示例句式。现在？我只需要丢给它五个 bullet point，它就能生成一篇结构完整的初稿。**不是我变懒了，是模型的理解能力跨过了某个阈值。**

但反过来，如果我还在用早期的「详细 outline + 要点约束」方式去使用新模型，反而会限制它的发挥——相当于拿开 F1 赛车的限速器当卡丁车开。

## 五、不断扩展自己的能力：从回答问题到作用于真实世界

最后这一点是我最兴奋的：**AI 的能力边界正在从一个「问答机器」变成一个「能作用于真实世界的系统」。**

这条进化路径非常清晰：

```d2
direction: right

stage1: {
  label: "Function Call\n调用预定义函数"
  style.fill: "#282840"
  style.stroke: "#89B4FA"
  style.stroke-width: 2
  style.border-radius: 8
}

stage2: {
  label: "MCP\n连接任意数据源和工具"
  style.fill: "#282840"
  style.stroke: "#A6E3A1"
  style.stroke-width: 2
  style.border-radius: 8
}

stage3: {
  label: "Skills\n封装专业能力和知识"
  style.fill: "#282840"
  style.stroke: "#F9E2AF"
  style.stroke-width: 2
  style.border-radius: 8
}

stage4: {
  label: "CLI / Shell\n操作系统级控制"
  style.fill: "#282840"
  style.stroke: "#F38BA8"
  style.stroke-width: 2
  style.border-radius: 8
}

stage5: {
  label: "Real World\n作用于物理世界"
  style.fill: "#282840"
  style.stroke: "#CBA6F7"
  style.stroke-width: 2
  style.border-radius: 8
}

stage1 -> stage2 -> stage3 -> stage4 -> stage5
```

### Stage 1：Function Call —— 「帮我查一下天气」

最早的扩展是 Function Calling（函数调用）。模型不再只能生成文字，还能调用你预先定义好的函数。

OpenAI 在 2023 年 6 月推出 [Function Calling](https://openai.com/index/function-calling-and-other-api-updates/) 功能，让模型可以结构化地调用外部工具。但它的局限很明显：**所有能力都要提前定义，每次新增能力都要改代码。**

### Stage 2：MCP —— 「连接一切」

2024 年 11 月，Anthropic 开源了 [Model Context Protocol (MCP)](https://www.anthropic.com/news/model-context-protocol)。

MCP 的核心理念是：**不要为每个数据源写定制集成，用一个统一协议连接所有东西**。就像 USB-C 取代了各种专用接口一样，MCP 想取代各种自定义的 AI 工具集成。

> *"Even the most sophisticated models are constrained by their isolation from data—trapped behind information silos and legacy systems."*
> —— Anthropic MCP Announcement

现在已经有大量 MCP Server 实现：Google Drive、Slack、GitHub、Postgres、Puppeteer……以及各种社区贡献的工具。

### Stage 3：Skills —— 「专业能力包」

Skills 是在 MCP 之上的进一步抽象。如果说 MCP 解决的是「连接」问题，Skills 解决的是**「专业能力」的封装和复用**。

一个 Skill 不只是一个 API 调用，它包含：

- **领域知识**：特定领域的专业信息和最佳实践
- **工具链**：该领域常用的工具和操作流程
- **交互模式**：针对这类任务的典型对话模式和决策逻辑
- **质量标准**：什么样的输出算是「做好了」

比如我现在使用的 pi 编程助手就有 Skills 体系：`business-consult`（读代码翻译业务逻辑）、`oct`（数仓查询）、`fengniao`（企业数据查询）等等。每个 Skill 都是把一个专业领域的能力打包成了 Agent 可以调用的模块。

### Stage 4：CLI / Shell —— 「控制系统」

当 Agent 不仅能调用 API，还能直接操作 shell 命令，它就获得了**对操作系统的完整控制权**。

这意味着它可以：

- 安装软件包、配置环境
- git 操作、CI/CD 流程
- 运行测试、查看日志
- 管理服务器、部署应用

**这是从「虚拟世界」到「真实计算环境」的关键一步。** 很多编程 Agent（如 OpenAI Codex、Devin、Cursor 等）的核心能力就建立在 shell 操作之上。

### Stage 5：Real World —— 「物理世界」

这是我正在探索的方向，也是前面提到的桌面宠物项目的意义所在。

当 Agent 有了 CLI 能力之后，下一步自然就是**控制物理设备**：

- 通过 GPIO 控制传感器和执行器
- 通过串口/I2C/SPI 与硬件通信
- 通过网络控制 IoT 设备
- 最终形成一个「数字-物理」闭环

我的 Orange Pi 桌面宠物就是一个实验：Agent 不再只活在终端里，它有一块屏幕可以显示表情、有一个麦克风可以听见声音、将来还可以有电机做出动作。**它在物理世界里占据了一个位置。**

### 从回答问题到改变现实

回顾这条路径：

| 阶段 | 能力范围 | 交互对象 |
| ----- | --------- | --------- |
| 纯文本生成 | 回答问题 | 用户 |
| Function Call | 调用预定义功能 | 开发者预设的系统 |
| MCP | 连接任意数据源 | 企业系统和互联网 |
| Skills | 专业领域自治 | 特定领域的知识和工具 |
| CLI / Shell | 完整计算控制 | 操作系统和服务器 |
| 物理世界 | 改变现实状态 | 传感器、执行器、IoT 设备 |

**AI 正在从一个「聊天机器人」变成一个「能干活的存在」。** 这个转变比大多数人意识到的要深远得多。

## 总结

把这五个判断放在一起看，我会说：**我们正处在一个拐点。**

不是技术拐点——那些 GPT-4、Claude、DeepSeek 的发布已经是历史了。而是**认知拐点**：越来越多的人开始意识到，AI 的价值不在于「替代人力」，而在于**扩大人类「可能」的边界**。

- 从「做快一点」到「做不可能的事」——价值判断的坐标轴变了
- 从「一次性任务」到「自我进化的员工」——对 Agent 的期待变了
- 从「通用聊天」到「编码为王」——模型竞争的焦点变了
- 从「精心调教」到「越聪明越简单」——使用方式变了
- from answering questions to acting on the real world — capability boundary changed

最后，我想引用 Rohan Varma 在那期播客里反复强调的一个观点作为结尾：

> **The cost of intelligence is declining exponentially.**
> **（智能的成本正在指数级下降。）**

当智能变得几乎免费，真正稀缺的不是算力、不是数据、不是算法，而是**想象力**——你敢不敢想象，接下来哪件「不可能的事」会变成你的日常？

---

## 参考资料

1. Rohan Varma (OpenAI Codex PM), [20VC Podcast: Why the Cost of Intelligence is Declining Exponentially](https://www.20vc.com/2025/02/06/rohan-varma-why-the-cost-of-intelligence-is-declining-exponentially-why-codex-changes-our-perception-of-what-ai-can-do/), Feb 2025
2. DeepSeek-AI, [DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning](https://github.com/deepseek-ai/DeepSeek-R1) (arXiv:2501.12948), Jan 2025
3. 梁文锋 / DeepSeek 团队，内部沟通与融资相关会议（来源：小红书），2025
4. Anthropic, [Introducing the Model Context Protocol](https://www.anthropic.com/news/model-context-protocol), Nov 2024
5. [SWE-bench Official Leaderboard](https://www.swebench.com/)
6. OpenAI, [Function Calling and Other API Updates](https://openai.com/index/function-calling-and-other-api-updates/), Jun 2023