2026-05-31站内改写8 分鐘閱讀更新: 2026-05-31

AI原生時代下，讓世界適應Agent，而非教AI做人 | 港大黃超@AIGC2026

港大助理教授黃超在2026中國AIGC產業峰會上提出，Agent時代應重新設計數字世界基礎設施，讓軟體直接說AI語言（CLI），而非讓AI模仿人類介面。其團隊開源的輕量級Agent nanobot已獲20萬下載，並展示了CLI-Anything等創新，強調Agent自進化應採用技能積累的外部進化模式。

來源量子位作者: 衡宇

AI原生時代下，讓世界適應Agent，而非教AI做人 | 港大黃超@AIGC2026 – 量子位

衡宇 2026-05-31 11:54:27

來源：量子位

CLI更像是Agent的母語

編輯部整理自 2026中國AIGC產業峰會

量子位 | 公眾號 QbitAI

Agent時代，究竟需要什麼樣的基礎設施？

港大助理教授黃超給出的答案是：不是讓Agent不停地適應人，而是為Agent重新設計數字世界。

在2026中國AIGC產業峰會上，黃超系統梳理了他過去兩年多圍繞AI Agent的思考與實踐。

他的團隊做的第一件事，是把Agent做“輕”做“薄”。

看到OpenClaw釋出時有43萬行程式碼（現在已經超過100萬行），他們反其道而行之，用最輕量化的方式開源了通用Agent——nanobot。

結果關注度遠超預期，連續100天日更迭代，下載量突破20萬次，被DeepSeek推薦為全球15個Agent之一，也曾登上OpenRouter平臺通用Agent榜單第四名。

但輕量只是起點。

接下來他們計劃用nanobot挑戰更復雜的長程任務，驗證Agent在真實生產環境中的持續執行能力。

這裡的長程任務不僅指執行時間長，更關鍵是任務鏈路複雜——需要跨越多個軟體生態、呼叫異構工具組合，要求Agent具備跨領域協調和持續決策的綜合能力。

這反映了他們對Agent能力邊界的深度思考：真正的生產力Agent不能只停留在對話和程式碼生成，而要能夠熟練操控複雜軟體生態，在動態環境中自我進化，並在叢集協作中創造價值。

基於將Agent從“AI助手”升級為“數字勞動力”的願景，他們提出了CLI-Anything。

其核心洞察是：與其讓Agent費力學習人類介面，不如讓軟體原生支援Agent語言。

透過將專業軟體重新包裝為命令列介面，Agent能夠直接驅動3D建模、設計工具、多媒體編輯等原本需要人類大量學習成本的複雜應用。

黃超認為，相比GUI，CLI可能才是真正AI原生的Computer Use方式。這不是技術選擇，而是互動正規化的根本重構——從讓AI適應人類工具，轉向讓數字世界說AI的語言。

除了Agent-native介面這一基礎設施，他們團隊同樣重視Agent自進化能力的構建。畢竟，僅有好的介面還不夠，Agent還需要在使用過程中持續學習和自我最佳化。

黃超指出，當前自進化研究主要分為Internal和External兩個方向。

Internal模式專注於最佳化Agent核心——升級框架、調整引數、改進推理鏈路，但這種內向型進化往往困於特定場景，難以實現真正的跨域遷移。

相比之下，External模式採用技能積累策略，透過不斷擴充和最佳化工具庫，逐步構建具有協同效應的Agent生態。

這種外向型進化更符合”重新設計數字世界”的理念——不是讓單個Agent變得更聰明，而是讓整個Agent網路變得更強大。

為驗證這種協同進化模式的可行性，他們設計了一個AI自動化科研實驗：讓8個Agent協調8張H100顯示卡進行分散式模型訓練。

實驗結果證實，在合理的任務分發架構下，Agent叢集確實能夠顯著提升生產效率。

但當他們進一步擴充套件Agent規模時，邊際收益開始遞減，甚至出現協調開銷超過效能增益的臨界點。

這說明Agent Swarm的Scaling Law遠比想象中複雜，可能存在一個最優的臨界規模，超過這個閾值反而會產生負收益。

如何找到這個平衡點，仍然是重新設計Agent協作生態的核心挑戰。

為了完整體現黃超的思考，在不改變原意的基礎上，量子位對演講內容進行了編輯整理，希望能給你帶來更多啟發。

2026中國AIGC產業峰會是由量子位主辦的行業峰會，近20位產業代表與會討論。線下參會觀眾超千人，線上直播觀眾近400萬，獲得了主流媒體的廣泛關注與報道。

核心觀點梳理

Agent的核心架構本質上是一個優雅的ReAct迴圈：透過reasoning進行任務規劃，action執行具體工具呼叫，然後基於環境feedback調整策略。通用Agent的能力並非全來自複雜的架構設計，而是來自推理、執行、反饋這一基本認知迴圈的有效實現。

ReAct架構的泛化性源自其模組化解耦：reasoning處理抽象推理，action負責具體執行，observation提供環境反饋。Agent面對新任務時，透過重組已有的推理策略和行動原語來適應新環境，實現真正的跨域泛化能力。

長程任務的本質挑戰不在於執行時間，而在於複雜性的指數級增長。成功的Agent不是避免錯誤，而是預期錯誤並實現優雅降級，能夠主動設計、持續監控和動態最佳化整個執行過程，這正是將AI助手升級為強生產力協作者的核心所在。

Agent需要learning from real tasks，在錯誤中不斷學習、感知自己錯在哪裡，才能真正節約Token成本。這揭示了一個核心矛盾：研究Agent往往專注於探索能力上界，卻忽略了Token本身就是實際成本約束。

面向Computer Use Agent，GUI模式開銷大、準確度也受限，CLI可能是通用Agent進行computer use更優的軟體互動方式。

Agent自進化可透過workflow最佳化、skill沉澱和模型引數調優幾條路線推進，其中基於skill的進化正規化展現出最強的泛化性，但在Tool-Use層面仍面臨核心挑戰。

以下為黃超演講全文：

Agent架構大道至簡

今天非常榮幸能夠在這裡有一次機會跟大家去做一次分享，大家好，我叫黃超。

Agent=Model+Harness，如今harness已成為Agent生態的關鍵一環。

Agent的整體架構其實並不負責，本質就是一個ReAct框架：Reasoning做規劃→Action呼叫工具→Observation獲取反饋，整個就是一個while迴圈。

基於這個框架，我們開源了通用Agent——nanobot。

當時看到OpenClaw釋出時有43萬行程式碼，我們意識到通用Agent的核心技術其實不需要那麼複雜。

nanobot的初衷是希望以最輕量化的方式將Agent技術開放給社群，既能方便開發者進行二次開發，也可以作為學習Agent技術的入門。

沒想到nanobot收到了超出預期的關注，我們堅持了連續100天的日更迭代，不斷整合社群在各個場景下的反饋和需求。

目前下載量已超過20萬次，很榮幸被DeepSeek選為全球15個推薦Agent之一，也曾在OpenRouter平臺的通用Agent榜單中排到第四名。

這個過程也體現Agent系統設計的大道至簡的哲學：很多關鍵技術的突破也來自將複雜問題簡單化。當前Agent的一些技術難點也在透過巧妙的設計被逐步化解。

有了通用Agent後，下一步挑戰是將其從簡單的AI助手升級為AI強生產力工具。

目前Agent雖然燒了大量token，但實際能很好落地的任務仍侷限在coding和research等少數場景。

當下Agent所面臨的一些核心挑戰：

第一，長程任務的魯棒性：長程任務的難點不在於時間長或步驟多，而在於場景的複雜性和多樣性。在豐富的工具呼叫場景中，任何一步錯誤都可能導致整體失敗，這需要更強的harness設計來保障任務的連續性。

第二，從錯誤中學習的自進化能力：Agent需要實現learning from real task，在失敗中識別錯誤模式並最佳化策略。這不僅能提升成功率，更重要的是能顯著降低token消耗。

當前大家都在探索Agent的效能上界，卻忽略了成本控制。

未來的Agent必須實現“自負盈虧”——在追求能力邊界的同時，考慮token經濟性。真正的突破將來自於在複雜任務中保持高成功率的同時，大幅降低計算成本。

第三，持續性環境與上下文對齊。

簡單的sandbox已經不夠了，Agent需要一個完整的計算環境—檔案系統、資料儲存、互動介面這些都得有。現在sandbox每次新建loop就重置，對長程任務很不友好。

Human-Agent對齊也存在現實問題。如果我們能寫出超詳細的文件，告訴Agent在什麼情況下呼叫什麼工具（比如數值到7.5時做什麼），Agent幹活質量挺好。但現實中誰能寫出這樣的文件？

核心難題在於，人都很懶，怎麼在有限的互動中讓Agent理解我們的真實意圖。這不只是技術問題，更是怎麼設計互動——用最少的溝通，傳遞最準確的上下文。

Agent harness需要更聰明的環境管理，也要更會“讀懂”人的意思，而不是指望人類提供完美的任務描述。

我們用nanobot開發了一款完整的馬里奧遊戲，來驗證Agent在長程任務中的表現。這個過程暴露了一個關鍵問題：Agent需要在每一步都做好測試和evaluation，才能保證整個流程的可靠性。

ToC vs ToB的容錯差異很明顯。ToC場景使用者對精度容忍度較高，但ToB對Agent的交付能力要求極其嚴格。這意味著面向企業的Agent必須具備生產級的穩定性和準確性。

從遊戲開發這樣的複雜軟體工程中可以看出，真正具備生產力的Agent不僅要能寫程式碼，更要能做系統性的測試、除錯和迭代。這種端到端的能力才是Agent從“玩具”向“工具”轉變的關鍵。

從模仿人類到原生互動：CLI更像是Agent的母語

要讓Agent從助手升級為真正的AI生產力工具，僅有Agent本體是不夠的，關鍵在於構建一套Agent-native的軟體互動生態。

我們的日常工作高度依賴Office套件、設計軟體、3D建模工具等專業應用，但現有的通用Agent很難與這些軟體建立有效連線。

過去幾年，Computer Use主要依賴GUI路徑——讓Agent模仿人類的視覺感知和滑鼠操作。然而這種”擬人化”方案存在兩個根本性缺陷：

一是成本過高（每次互動都需要處理複雜的多模態輸入鏈），二是可靠性受限（基於多模態分析的畫素級的精準點選，對當下AI來說本身就是挑戰）。

問題的核心在於，GUI天然是為人類認知模式設計的互動語言，強制Agent去適配人類介面，本質上是一種“削足適履”的妥協。

真正的突破可能需要我們重新思考互動正規化——不是教會Agent使用人類工具，而是為Agent重新定義數字世界的互動協議。

與其讓Agent學會用滑鼠，不如讓軟體學會說Agent的語言——CLI可能更是Agent-native的Computer Use方式。

我們反思了一個問題：為什麼一定要讓AI像人一樣操作介面？ AI完全可以有自己更高效的互動模式。

所以我們做了CLI Anything，把各種軟體包裝成命令列介面，讓Agent直接透過CLI操作，而不是費力模擬人類點選。

現在CLI Hub上已經有80個軟體，31個分類。我們覺得未來軟體使用應該是CLI+GUI的混合模式：Agent透過CLI高效完成複雜任務，人類透過GUI享受直觀體驗。

想想看，Agent直接用命令列操作3D建模、設計軟體這些專業工具，使用者不用學複雜軟體，開發者也不用寫一堆API文件。

這種分工更合理—同一個軟體，給AI提供CLI介面乾活，給人類提供GUI介面享受，各自用最適合的方式，這才是真正的AI-native架構。

Agent如何自己變強：skill進化與Swarm實驗

剛才講了生態中的軟體操作，接下來說說自進化。

為什麼Agent需要自進化？因為我們希望它在複雜任務中能總結經驗、沉澱價值資訊。

目前有三種自進化路線：

適應環境：迭代workflow和harness；

技能沉澱：把經驗總結成可複用的skill（就像人學新東西，生物特徵沒變，但經驗更豐富了）；

引數更新：把Agentic任務的能力透過reward學到模型引數裡。

第一和第三種路線都有泛化性差的問題——針對特定場景進化的Agent很難複用到其他地方。

所以我們選擇第二種路線，做了Open Space來實現skill-based的Agent自進化。但現實中基於skill的進化也面臨幾個核心挑戰：

第一，高質量skill稀缺；

第二，精準匹配困難——比如做量化交易，skill庫裡有市場級、股票級、一級市場、二級市場各種粒度，到底該選哪個？

第三，粒度管理複雜——不同層級的skill如何有效組織和檢索。

從MCP演進到skill，這些根本問題並沒有解決。我們希望借鑑wiki的檢索機制來管理skill，解決多粒度匹配的挑戰，這樣才能實現真正有效的自進化。

我們在來自44個行業、一共220個任務上測試了Agent進化前後的差別，發現token消耗顯著減少，任務完成度明顯提升。

更重要的是，Agent能透過學習大幅降低自己的執行成本。

接下來我們做了個更大膽的實驗：

用8個Agent呼叫8張H100顯示卡，去訓練一個大語言模型。23小時內模型效能提升了6%，工作量相當於我們組一個博士3周的活。

這個實驗驗證了Agent Swarm的可行性，但發現關鍵洞察：3-5個Agent就夠了，更多不見得更好。目前行業還沒摸清Agent數量的scaling law。

當下除了coding，很多Agent Swarm場景缺乏有效的質量驗證，我們很難判斷最優配置。

關鍵問題不是堆數量，而是在特定任務複雜度下，需要多少Agent以及如何分工。與人類團隊不同，Agent協作成本更低、溝通延遲幾乎為零，這可能重新定義最優團隊規模。

但paradox是：零溝通成本理論上支援更大規模協作，實際效果卻可能在小規模達到峰值。

這暗示Agent協作的瓶頸不在溝通，而在任務分解、衝突協調的複雜度、上下文對齊，以及每個步驟的精準驗證。Agent越多，這些隱性成本可能呈指數級增長。

還有個有趣發現：學生們在vibe coding時，會把Agent叢集的協同過程視覺化——任務分發、完成、互動全流程都能看到。

這不只是炫技，而是在碎片化的工作時間裡提供情緒價值，讓等待變得有趣。我們做了AI researcher Agent來賦能科研。核心價值很明確：如果以前一週只能試錯一種演算法，現在一週能試幾十種。

科研本質就是試錯和資訊關聯，Agent能大幅加速這個過程，特別是幫新手快速梳理領域資訊。

但關鍵挑戰在於如何探索出高質量的科研成果。科研的質量驗證往往也很挑戰，因為真正有價值的科研發現可能需要幾個月甚至幾年才能被驗證。

這帶來一個悖論：Agent能加速試錯，但無法加速驗證。我們可能陷入“快速產出低質量假設”的陷阱，而不是“深入探索高質量洞察”。

這就是我們整個Agent生態的佈局：從nanobot單體Agent，到computer use、Agent協同和自進化，我們希望能突破現有Agent的邊界。

未來Agent的價值不只在於單點突破，而在於整個生態協同。

最後感謝我的團隊，說實話有沒有我作為導師，他們都能做得不錯。Credit也應該給到團隊的小夥伴們在開源專案上的持續迭代。

也很感謝整個開源社群的小夥伴們，目前AI Agent很多技術還處在百花齊放的階段，開源往往能夠讓大家更好地一起探索技術邊界，避免各自閉門造車。

Agent AIGC產業峰會黃超

衡宇

1400億Agent入場，“流量”這條護城河要塌了2026-05-27

Qwen最新3.7 Max預覽版空降！兩代超大杯並行迭代，林俊暘走了但還在加速2026-05-19

龍蝦之父月燒940萬元的token！要不是入職OpenAI還真用不起2026-05-17

6.4k Stars！用Claude Code寫論文的全套流水線，有人打包開源了2026-05-17