立正没有直接比较“全能智能体”和“专业分工智能体”哪个更好,他的判断标准是任务与 AI 的适配关系:该交给 AI 的尽快交,人守住判断、收口和不可替代的部分。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
分工看任务,不看智能体是否全能
立正主张把日常任务排成一条光谱,从 AI 能独立完成到必须人来做,大多数任务落在中间,需要不同比例的人机协作,关键是找准每个任务的位置1。他举自己课程的例子:教课、答疑完全由人做,看似要求更高的企业培训展示材料却几乎全交给 AI,依据是对任务与 AI 适配关系的判断,而不是追求用上 AI1。放到智能体方向的选择上,全能智能体适合那些边界模糊、需要跨环节串起来的任务;专业分工的智能体适合环节清晰、可以拆开交给不同角色、再拼回结果的任务。判断依据是任务本身能不能被清晰定义和验收,而不是哪种形态更先进。
人保留的是判断和收口
立正强调人的时间应集中在 AI 做不了或做不好的地方,比如关系建立、审美判断、战略方向、信任积累1。他在对谈里补充过类似逻辑:AI 能完成大部分工作,但最后一段仍要人判断结果好坏、给反馈、把事情收口,没有专业深度就收不了口2。这对智能体方向的含义是:全能智能体把更多环节包进去,人需要更强的整体判断力来验收;专业分工智能体把环节拆开,人要在每个衔接处判断上一个环节的输出能不能用。两种方向都要求人保留判断,区别在于判断点集中还是分散。
小团队端到端负责,角色各出专长
AI推演立正描述 AI Native 组织时提到,小团队要端到端拥有一个产品,飞轮才闭环;团队里不同角色提供各自的专长,设计师给审美,数据同学给观测和增长直觉,PM 给用户同理和愿景,工程师负责调度智能体、保证一致性和不胡编3。这提示专业分工不等于把任务切碎后各管一段,而是围绕一个端到端目标,各自贡献不可替代的部分。如果目标是快速做出一个完整产品,全能智能体加少量人收口可能更省协调成本;如果任务本身需要多种专业判断,分工智能体加明确的责任人更稳。
现有材料没有直接讨论“全能智能体”与“专业分工智能体”这两种产品形态的取舍,以上是从任务分工和团队协作的判断推出来的。
出处
- 1AI 用得好的人与普通人的5个差距,和背后具体技术原因|非技术岗位版
讲任务光谱和人机分工的判断方法,是理解这个问题的核心依据。
- 2AI时代,找工作和创业的有效方法|Jobright联创/CTO Ethan对话
对谈里讨论 AI 完成大部分工作后仍需人判断收口,可核对判断力为何不可替代。
- 3AI时代的面试,三件事让公司对我求贤若渴?
描述 AI Native 小团队端到端负责、各角色出专长的分工,适合看专业分工的组织含义。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。