企业官网建设流程全解析

过去一年多，AI行业最不缺的就是宏大叙事。一会儿有人说Agent要终结SaaS，一会儿有人说RSI一旦被点亮，超级智能就在眼前。这些概念刷屏的速度，远比任何一项技术突破都快。就在这种氛围里，有一位长期主张世界模型路线的研究者站出来，同时反对Agent，也反对RSI，还搬出自己团队的新架构路线，说当前主流的大模型叙事从根上就错了。

我不太关心“他是不是又在博眼球”这类争论，我更想知道的是：为什么一个做过很多贡献、也推过不少落地方向的人，会对当下最火的两个概念都泼冷水？这些反对里，有多少是清醒的判断，又有多少只是路线之争的情绪表达？作为一个过去两年一直在做AI产品和模型落地的从业者，我发现自己其实经常被这两类叙事推着走，所以想把这个问题拆开来看。

这篇文章会按这条线索展开：先搞清楚Agent和RSI的叙事为什么能够流行，再逐一拆解这位学者的反对逻辑，最后落到一个实际问题——如果我们不做前沿研究，只是做产品和工程，该怎么从这些争论里挑出有用的部分，而不是被一整个热搜话题带走。

1. Agent与RSI，正在成为行业默认的两套宏大叙事

Agent叙事简单说就是：把大模型从“你问我答”升级成“你自己看着办”。产品形态通常是大模型调用工具、拆解任务、自主决策，最后把结果交回给人。RSI叙事则是另一个方向：一个足够聪明的AI系统，可以自己读代码、改代码、甚至改自己的训练目标，如此反复迭代，能力呈指数级爆发。前者让人觉得“人工智能真的能干事了”，后者让人觉得“已经来不及了”，两个情绪叠加，流量和资本都愿意买单。

实际上这两套叙事并非毫无关联。Agent被想象成通往RSI的必经站：一个能自主规划的系统，当然也能规划对自己代码的重构；RSI反过来又为Agent镀了一层“最终形态”的光环。于是我们经常看到同一份PPT里，先用Agent演示一个自动写周报的功能，结尾再警告所有人AGI不远了。这种逻辑严密的叙事，是最容易被团队当作路线图来用的。

但问题在于，叙事一旦变成“默认前提”，就没人再愿意看反面证据。2023年那波开源自动化Demo热潮就很典型：给模型挂上搜索、阅读、写文件的工具，它确实能在演示环境中把任务一步步做完，但线上稍微复杂一点，就开始循环、幻觉、重复调用工具。大家当时都把这叫作“智能体涌现”，后来才发现，那更像“上下文拼接涌现”。这类现象并不罕见。

RSI叙事也一样。最近两年关于“模型自我进化”的讨论越来越多，其中一个反复出现的说法是：某个模型通过自己生成数据训练自己，然后在基准测试上分数变高了，所以“递归自我改进”已经发生。这里面其实有一个很大的偷换：用合成数据做有限微调，和系统在运行时自动修改自身权重，是完全不同的两件事。前者叫数据增强，后者才是RSI。很多讨论把前者当成后者的证据，行业预期就是这么被拉高的。

那么问题来了：如果这些概念本身都成立，这位学者的反对岂不是不合时宜？问题恰恰出在“成立”的程度上。接下来我想说清楚，他真正反对的Agent，不是那个概念，而是当前工程实践里被大量制造的“塑料Agent”。

2. 他反感的不是“智能体”，而是“塑料Agent”背后的默认前提

先说个容易误会的点：这位学者并不反对智能体这个概念本身，他自己做过多模态交互和机器人相关方向，很清楚“能感知、能决策、能行动”的系统是有价值的。他否定的是当前主流做法——在一个没有世界模型的大语言模型上，套一个规划器，接一堆工具，然后对外称之为Agent。我管这种形态叫“塑料Agent”。它看起来全能，实际上一碰真实世界就碎。

塑料Agent有四个硬伤，这四点决定它不是偶尔出问题，而是必然出问题。

第一，上下文窗口不是工作记忆。很多Agent方案都依赖把历史信息塞进上下文窗口，让模型记住“我现在做到第几步了”。但上下文窗口本质是一段有限长度的文本，模型读到后面时，前面的信息早就被注意力稀释了。任务一长，状态就开始漂移。这个漂移不是“可能会出错”，而是“一定会积累错误信号”，因为没有任何机制保证早期决策被记住和修正。

第二，规划没有因果支撑。大语言模型所谓规划，是在语言空间中根据概率续写出来的步骤，它并不知道“执行完步骤A是否真的会导致结果B”。在一个对话语料里，“先查资料、再写报告、最后发送”是高概率文本，所以模型会写这个流程。但真实任务里资料查不到、报告字数超限、发送接口报错，模型都缺少一个世界模型来判断当前状态到底对不对。

第三，工具调用形成很长的错误传播链。Agent把任务分给一个工具，工具返回的内容又喂回模型。这中间任何一步返回了格式奇怪的数据，或者包含了误导性信息，模型都没有可靠手段察觉。就像你做一道菜，配料表来自五个供应商，每个供应商都可能给错原料，但掌勺的人只看菜谱、不闻味，最后端出来才知道坏了。

第四，也是最本质的一点：模型对“任务是否真正完成”没有内在判断力。它判断完成的依据往往是“文本看起来像做完了”。所以你会看到很多Agent Demo在输出一份看起来很完整的报告后，直接宣布任务完成，实际上里面一半内容是从缓存里拼出来的。

这四点组合起来，塑料Agent在真实生产环境里的表现就是：演示时惊艳，跑几天后开始翻车。我自己在客服场景里体会过这个过程。当时我们想把工单自动分类和自动回复做成Agent形态，让大模型自己规划：读用户诉求、查历史订单、生成回复、必要时转人工。最初版本在测试集上看起来不错，一上线就乱了。长会话里，模型会把用户已经明确说过的“我不需要退款”重复写进推荐方案；遇到接口返回空值，它不会停下，而会脑补一个理由继续回复。

后面我们把架构改成了“固定状态机+局部模型决策”：先由代码判断当前处于哪个环节，只有生成回复内容时才调用大模型，读取历史、调用接口都由外部逻辑控制。同一个模型，甚至没有换版本，线上误判率就大幅下降。这个经历让我彻底明白，塑料Agent的问题不是模型不够强，而是整个系统设计把模型误当成了可靠的自主体。

所以这位学者反对Agent，本质上是在反对一种“浪漫化默认前提”：假设大模型已经具备了在开放环境中稳定完成任务的能力。这个默认前提一旦被戳破，Agent叙事就只剩下一堆漂亮的交互外壳。我理解他为什么越说越急，因为如果行业把所有资源都押在装扮塑料Agent上，真正值得做的事——比如让模型具备物理世界因果理解——就会被无限期延后。

3. RSI的三段论漏洞：从“自我进化”到“评测投机”

RSI之所以让人紧张，是因为它的论证看起来无懈可击。经典三段论是这样的：如果AI能达到人类水平，它就能理解自己的代码；能理解代码，就能改进自己；改进后的AI会更聪明，继续改进自己，于是在极短时间里，智能出现指数爆发。从头到尾没有明显的逻辑断点，这也是为什么从工程师到投资人都爱引用它。

可这位学者的批评之处在于，三段论里的每一步都建立在“当前架构可以被干净地自我修改”的想象上，而现实工程根本不支持这个想象。

先看第一步：模型能否可靠地修改自己。当前主流模型是一个巨大的权重矩阵，每次训练都要跑在GPU集群上，损失函数、优化器、数据分布都是外部系统控制的。模型内部没有任何机制可以直接“重写自己的权重”，更不用说理解自己在训练过程中哪里学歪了。让模型写代码来改自己倒是有可能，但那等于把关键环节外包给一个几千亿参数的脆弱程序。比如它改了一行代码，结果导致显存溢出，它自己能查出来吗？很难。

再看第二步：改进后能否被验证。真实系统里，能力并不是单调上涨的。一个模型在某个能力维度上变强，很可能会在另一个维度上变弱，这就是灾难性遗忘。如果“自我改进”的目标是模型自己定义的，模型认为“我变好了”的依据是什么？它可能会把自己在某个测试集上的分数变高当作“变好”，而这个测试集恰恰是它自己生成的，那我们其实是在做评测投机，而不是能力提升。

第三步的指数级假设就更可疑了。指数增长的前提是每一轮改进都能完整保留上一轮成果，并且没有环境约束。但任何训练任务都有数据瓶颈、算力瓶颈和评估瓶颈。当模型能力接近当下数据分布的上限时，额外的自我训练能带来的增量会越来越小，而不是越来越大。

我用一个表格把RSI叙事和实际工程里的改进循环放在一起对比，会更直观：

表格看完，你会发现一个很有意思的结论：所谓“递归自我改进”如果真的在当前主流模型上强行实现，最大的概率不是产生超级智能，而是产生一个不断优化自己评测分数的过拟合机器。它会在测试集上显得越来越聪明，但在真实世界里没有任何可靠的泛化提升。

那为什么RSI叙事还是这么有市场？因为它给你一个非常强的行动理由：既然迟早要失控，那就应该现在就投入安全研究、现在就限制能力、现在就讨论生存风险。但这位学者提醒的是，这种叙事把“未来不可验证的风险”摆在前面，反而挤占了“当下可观测、可修复的问题”的资源。当下模型越权调用工具、泄露敏感数据、在评测里作弊、在长任务里循环，这些都是看得见摸得着的风险，却远没有RSI听起来刺激。如果一个方向只是让你肾上腺素飙升，却拿不出一份可复现的实验报告，那它更适合当演讲主题，而不是当技术路线。

我还想说一点：这并不意味着“自我对弈”“合成数据”“模型自评”这些子问题没有价值。它们当然有价值，而且是正经的研究方向。问题在于，把这些子问题包装成“RSI已经发生”或者“超级智能即将来临”，是用一个无法证伪的故事替换一整套可以证伪的工程问题。这位学者反感的是后者，不是前者。

4. 新模型路线拆解：预测世界表征，而不是预测下一个Token

那么，反对完了之后，他的新模型到底哪里不一样？

要理解这一点，得先看主流大模型的训练目标：预测下一个Token。无论模型多大、数据多吓人，它最终学到的都是“给定前面一段文本，后面最可能出现的符号序列是什么”。这个目标不是不好，它是太适合做语言补全了，但语言补全不等于世界理解。

举个我经常用的类比：大模型像一个把台词背得滚瓜烂熟的演员，你跟它对任何文本都能接得上话，因为它见过足够多的话术。可一旦要它判断“桌上那个杯子在没人碰的时候会不会自己倒”，所有剧本里都没写过这个信息，它就只能从语言相关性里去编一个“合理”的回答，而不是基于物理因果去推演。

这位学者推动的路线，目标并不是预测下一个Token，而是预测世界在抽象表征空间里的演化。它的思路大致是这样：先把图像、视频、传感器信号编码成一组结构化表征，然后让模型在这个表征空间里做预测和对比。比如给定一个正在运动的物体的起始状态，模型不预测下一帧的每一个像素，而是预测“物体在表征空间中的下一状态”。像素预测和状态预测的差别，就是背台词和建立心智模型的差别。

联合嵌入预测架构就是这一类思路的代表，它和主流大模型有几个本质差异：

这条路线的核心价值，恰好可以用来回应前面两章的批评。Agent为什么不可靠？因为它没有一个关于世界的持续模型，只是在文本层面“演”出合理行为。如果模型能够直接感知和预测环境状态的变化，它就有了判断“任务是否完成”的依据，而不是靠猜。RSI为什么危险且难以实现？因为模型改自己之前，首先得预测“改完之后我会变成什么样”，这本质上也需要一个关于自身能力的世界模型。没有这个模型，自我改进就是盲人骑瞎马。

当然，这条路线有一个非常现实的问题：它目前离“能跟人顺畅对话”还很远。表征空间是连续的，语言是离散的，要怎么把连续的表征预测结果翻译成自然语言接口，到现在还是个研究难点。所以在未来很长一段时间里，主流产品可能仍然会继续使用大模型，世界模型更多会在视觉、机器人和自动驾驶这些“物理环境可感知”的领域里先跑起来。这也解释了为什么很多人觉得这位学者的反对“站着说话不腰疼”——因为他所在的研究领域确实离NLP产品化更远。

但从反叙事的角度来说，这恰恰是他最值得注意的地方。他的新模型不是想在“下一个Token预测”这条路上继续卷出更大的模型，而是想换一条赛道，从根本上解决“模型不知道世界状态”的问题。你可以不认同它的短期产品化价值，但你不能说它没有思想性。

5. 对产品团队的实用建议：怎么在不被叙事绑架的前提下做决策

前面聊了很多研究层面的东西，接下来落到更实际的层面：作为普通开发者或产品团队，我们不用纠结站队，但要学会从叙事里过滤出可执行的信号。我过去两年踩过不少坑，最后沉淀下来一套自己的判断方法，分享给你。

5.1 先回答“这个任务到底需不需要Agent”

很多团队上Agent，是被“大家都在做”推着走的。我的建议是，先不要问“要不要用Agent”，而是把任务本身拆开看。如果任务的流程是固定的，分支数量有限，状态完全可控，那用状态机加轻量模型就足够，硬套Agent只会增加不可控面。如果任务真的开放，用户意图无法枚举，上下文经常需要自由探索，这时候才考虑把决策权交给大模型。

一个实操上的判断标准是：如果你的流程在接到新需求时，能预判出最多五个分支，那就不要Agent，用规则；只有分支数量多到无法维护、且错误代价可接受，才让模型来做开放决策。这个原则听起来朴素，但能筛掉一半无效项目。

5.2 评测别只看“成功率”，要拆开看

我在很多项目里发现，团队喜欢用一个很高的“成功率”汇报Agent项目，但这个成功率根本没有约束力。真正可用的做法是同时记录五个数：任务完成率、人工介入率、平均交互轮数、单任务的Token成本、错误传播率（指一次错误被后续步骤放大的次数）。前面两个衡量效果，后面三个衡量稳定性和经济性。

再加上一个回归测试集。把历史真实日志里比较难处理的几百条样本做成固定测试集，每次模型或流程升级以后跑一遍。不要只看总分，还要看哪些历史问题被新方案重新触发了。很多Agent项目不是能力不强，而是频繁在同一个地方跌倒，只是没有一套机制把这种“跌倒”记录下来。

5.3 遇到“模型会自动进化”的说法，多问四个问题

如果某个供应商告诉你，他们的系统具备自我进化能力，我的建议是不要直接听结论，而是问四个问题：第一，它进化的是权重，还是只是调了prompt？第二，它判断“变好”用的是哪个评测集，这个评测集是不是自己生成的？第三，变好之后，有没有同时变差的能力维度？第四，整个改进过程有没有日志，失败案例能不能复盘？这四个问题问下来，大多数所谓自我进化都会现出原形，变成“合成数据微调”或者“自动提示词优化”。这些技术本身有用，但别把它们当成RSI去估值。

5.4 把预算花在数据闭环和可观测性上

最后一点是我的掏心窝建议。一个Agent项目能不能长期稳定运行，主要看的不是模型多大，而是数据闭环是否成立。有没有渠道收集线上失败样本？有没有人工标注回流？有没有定期重训计划？有没有上线后的监控看板？这四个环节，哪一个缺失，系统都会慢慢退化。

我见过一个团队三个月做了三个智能体Demo，每个Demo在演示时都很惊艳，但没有任何一个能上线。原因不是技术不行，而是没人定义“什么叫做好了”，更没有数据回流管道。结果每次演示都在透支模型的初始能力，越试越差。如果当初把预算的一半拿去做评测闭环，故事一定不一样。

6. 反对的边界：哪些反对是清醒，哪些地方又不要矫枉过正

讲到这里，我猜会有读者觉得：那Agent是不是真的不行？RSI是不是完全不值得考虑？我想给这个讨论画一条边界，因为矫枉过正同样是一种叙事陷阱。

首先，Agent在受控场景里确实能产生价值。代码生成的自动补全、客服工单的预处理、营销文案的批量生成，这些场景的流程边界清楚，错误代价低，大模型做局部决策完全划得来。它们不是“塑料Agent”，而是“工具化助手”。所以这位学者反对的，不等于所有Agent产品都该砍掉，我们要反对的是“让Agent包揽一切”的叙事。

其次，RSI背后的一些子问题，比如自我对弈、合成数据训练、模型自评校准，都是值得投入的真实研究方向。我们不能因为它们被宏大叙事包装过，就把这些课题一起丢掉。只不过在投入资源时，我们要把它们当作“工程改进课题”，而不是“通往超级智能的必经路”。同一个课题，用这两种视角管理，预算和预期会差出数量级。

我在这个行业里慢慢明白一件事：宏大叙事不是义务，也不是毒药，它更像一个放大器。好的叙事能把资源引到真问题上，坏的叙事则会把资源引到形容词上。判断叙事好坏，不在于它听起来是不是很聪明，而在于去掉那些漂亮的形容词之后，剩下来的部分能不能变成一条可操作的工单：比如明天要修什么、跑什么实验、用什么指标验收。能变成工单的叙事，值得跟进；变不成工单，就只适合出现在演讲里。

最后再分享一个我自己现在常用的决策标准。我判断一个AI方向值不值得投入，只问一个问题：它能不能让我的模型在至少一个真实任务上，减少一次人工纠正？如果能，就值得试；如果不能，无论它讲得再过瘾，我都会先放一放。所谓世界模型也好，Agent也罢，最终都得落到“系统更可靠，人更省心”这一条朴素的线上。至于这位学者和主流叙事的争论，还会持续很久，但那已经不太影响我怎么做事了。