JD里Agent工作流指什么2026年11月18日提问追问3次

现在JD里的「Agent工作流」到底指什么?

这些材料没有直接给「Agent工作流」下JD定义;能支持的理解是:让Agent调用工具、按计划执行动作、由人负责说清问题与结果,而不是只做问答。

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。

从「会回答」到「会做事」是核心变化

Marco Casalaina 把Agent的演进讲得很具体:早期主要是问答Agent,最担心幻觉;现在Agent不只回答问题,还会真正执行动作,所以要评估工具选择、输入准确性和输出利用率。工具被他解释为Agent接入外部系统的方式⁠1。按这个区分,JD里的「Agent工作流」若指工作内容,重点通常不在写提示词让模型答得好,而在把Agent接到系统、选对工具、把动作串起来并检查结果。这是AI根据该段做的归纳,不是JD原文。

工作流里常包含编排层和可复用组件

俞舟介绍其公司Arklex时,说它是一个通用框架,别人可以用它搭建承担不同职能的Agent,例如分析股票、HR工作流、客服流程;框架提供工具集成、调用和已做好的规划算法,让开发者不必从头写,从而更快上市。她把这层称为orchestration layer,并提到LangChain、LlamaIndex也做开源编排层⁠2。这能帮助理解「工作流」可能指编排、工具接入和规划,但这是她对自己产品的描述,不能直接当作所有JD的通用定义。

人的职责转向说清问题、判断和负责

AI推演

立正谈到用Codex处理付罚单、账单等手续,让Agent操作电脑把事干完;他把过去人填补软件之间缝隙的工作称为fake work,并说现在用Agent填补这些缝隙后,人要负责的是把问题说清楚、做出判断、对结果负责⁠3。若把这点用于读JD,可以留意岗位是否要求定义任务边界、验收结果和处理异常,而不只是操作某个工具。这是AI的应用推演,材料没有对应具体职位。

提供的片段没有一份JD原文,也没有对「Agent工作流」一词的直接定义;以上是相关讨论的归纳,不能替代具体岗位的职责描述。

出处

  1. 1AI在大企业中的应用才刚刚开始,人才供不应求?|对话微软CoreAI副总裁Marco Casalaina

    视频说话人待核2026-10-15

    区分问答Agent与执行动作的Agent,并说明工具调用和评估指标。

  2. 2哥大AI教授剖析AI agents的理论与应用 | 俞舟教授访谈_下

    视频说话人待核2025-04-18

    介绍编排层、工具集成和规划算法,帮助理解工作流的技术组成。

  3. 3职场不再奖励表演式工作,晋升要对结果负责

    视频发言:立正2026-09-15

    说明Agent接手操作后,人转向说清问题、判断和对结果负责。

追问2026年11月18日

「编排层和可复用组件」 包含哪些要素?

现有材料没有直接定义「编排层和可复用组件」这一组合;能支持的是:编排指协调多个 agent、工具与流程,可复用资产指工作空间、skill、结构化知识和判断。

编排层:协调多个 agent 和流程

材料里的观点

立正在节目里把「AI architect」的核心技能说成 orchestration,也就是编排:能编排多个 agents 持续工作、把业务往前推⁠1。他转述某家 AI native 公司的说法,把这类人叫「AI conductor」,核心同样是编排⁠1。这是他对该说法和自身课程框架的陈述,不是对某家公司的独立核实。

行业框架里,Google Cloud 把 orchestration 列为 agent 的技术组件之一,与模型、知识、工具、数据和运行时并列⁠2。所以编排层大致是让这些部件按顺序和条件协同起来的那一层,而不是模型或工具本身。

可复用组件:能跨任务积累的资产

材料里的观点

立正在课程更新里把上下文基础设施拆成五类可积累、可复用的资产:工作空间、可复用的 skill、结构化知识资产、多 agent 组织和个人判断⁠3。他还提到用 facts(事实)、skills(做法)、perspectives(判断)来组织私有上下文,用 progressive disclosure 按需加载资料,用 backflow 把每次纠正沉淀回系统⁠3。这些是课程设计者的整理,属于他的框架表述。

他在评论里另有一组更偏架构的判断:真正到高阶要看能否定义 workflow、上下文架构、tool boundary、eval、失败恢复、权限、人工确认、memory hygiene、proactive trigger 和长期迭代机制;现成组件能提高起点,但不能替代架构能力⁠4。

两者怎么接上

按这些材料综合(这是 AI 的归纳,不是原文的现成定义):编排层负责「怎么串」,可复用组件负责「串什么、下次还能不能再用」。前者包括多 agent 的分工与调用、工具边界、失败恢复和人工确认;后者包括 skill、结构化知识、工作空间和沉淀下来的判断⁠3,4。立正也强调,agent 可以在边界内循环改进,但目标、停止条件和最终责任仍属于人⁠3。

如果你是在准备面试或搭系统,可以先问自己两件事:我能不能说清多个 agent 之间谁调谁、出错怎么办;我有没有把重复用的做法和知识存成下次能直接取用的东西。这两问对应上面两层。

材料没有直接使用「编排层和可复用组件」这个说法,也没有给出完整的组件清单;上面的分层是依据立正对 orchestration 和可复用资产的表述做的归纳。

出处

  1. 1戒掉ChatGPT才能成为AI指挥家/AI 革命是人类社会的第二次文艺复兴-Indigo Talk EP46

    xiaoyuzhoufm.com说话人待核2026-04-07

    立正本人解释 orchestration 是编排多个 agent 持续工作的核心技能。

  2. 2AI产品的六个层次

    超线性学院2026-04-25

    转述 Google Cloud 把 orchestration 列为 agent 技术组件之一。

  3. 3AI Builders第13轮更新(2026.8)

    超线性学院2026-08-11

    列出五类可复用资产及 facts/skills/perspectives 等具体做法。

  4. 4对《AI产品的六个层次》的补充

    超线性学院2026-04-25

    给出高阶架构需要处理的具体环节,并区分现成组件与架构能力。

追问2026年11月18日

编排多个 agents 持续工作把业务往前推的定义是?

现有材料里,最接近的定义来自立正转述硅谷小公司的说法:编排多个 agents 持续工作,是把业务往前推的核心技能,这类岗位被称为 conductor。

“编排多个 agents”被说成一种新岗位能力

材料里的观点

立正在节目中转述硅谷一些公司的说法:他们用 conductor 指一种核心能力,即 orchestration——你能编排很多个 agents,让它们持续工作,把业务往前做得更好。他并说这类公司只要这种人,不要只写代码的工程师⁠1。这里要注意,这是立正转述“他们”的用人和招聘口径,不是他本人给这个概念下的完整定义;他接着谈的是这种小公司相对大公司的竞争力与 distribution 优势⁠1。

编排的对象是 agent 之间的交互,不是堆复杂流程

在另一段讨论中,立正把 orchestrator 描述为让 agent 与 agent、agent 与人交互的 interface,并说它最需要做的是 context window 的隔离;他认为市面上不少编排工具加很多复杂条件,反而是最不重要的一步,编排应该越简单越好⁠2。这与“编排多个 agents 持续工作”可以相互对照:重点在协调多个执行者和隔离上下文,而不是把流程条件堆得越来越复杂。这是 AI 根据两段材料做的综合,原文没有把两者直接并列定义⁠2,1。

持续工作还需要能看见每个 agent 的状态

材料里的观点

梁津晶在谈 Orca 时提到,用户会同时开几百个 session、orchestrate 几百个 agents;她认为难点之一是 agent 的 status 要能真实展示,并且更新时不能把正在跑的 session 全部弄丢,否则用户每次都要自己判断哪些已经跑完⁠3。立正也追问过同时编排几百个 agents 时 attention 管不管得过来⁠3。这说明“持续工作”不只是发出指令,还包括状态可见、会话可恢复这些工程条件;这部分是嘉宾的产品经验,不是对概念的定义⁠3。

现有片段没有给出一句完整的、由立正本人下定的“编排多个 agents 持续工作”定义;《戒掉ChatGPT才能成为AI指挥家/AI 革命…》⁠1中是转述硅谷公司的用法,《对谈课代表立正 AI 时代生存指南 / INDI…》⁠2谈的是 orchestrator 的组件角色,两者不能直接拼成作者原话。

出处

  1. 1戒掉ChatGPT才能成为AI指挥家/AI 革命是人类社会的第二次文艺复兴-Indigo Talk EP46

    xiaoyuzhoufm.com说话人待核2026-04-07

    直接出现“编排很多个 agents、持续工作、把业务往前做”的转述说法,并交代了 conductor 这一岗位称呼。

  2. 2对谈课代表立正 AI 时代生存指南 / INDIGO TALK - EP20

    xiaoyuzhoufm.com说话人待核2025-03-06

    说明 orchestrator 是 agent 之间及 agent 与人之间的 interface,并给出“越简单越好、重点是 context window 隔离”的判断。

  3. 3一个人管400个AI任务,已经是标配了?|对话GitHub七万星的Orca创始人津晶

    视频说话人待核2026-09-18

    提供同时编排几百个 agents 的实际工作场景,以及 status 可见、session 可恢复等持续工作的条件。

追问2026年11月19日

“持续工作”和普通工作流自动化的区别在哪里?

现有材料没有直接对比这两个概念。能支持的相关区别是:普通自动化把确定性流程固化进软件,人围着系统操作;而“持续工作”更接近让 agent 在人的目标下反复整理信息、执行动作,人做判断和设定标准。

材料能支持的区别:谁围着谁转

杜磊描述传统 SaaS 的局限:软件为了标准化必须追求确定性,用户的工作流就被它的数据库设计框住,人变成“数据库的奴隶”,花大量时间在系统之间搬运、整理信息⁠1。他把自己用 Cursor 的方式说成“agent base 的外脑”:把会议记录、长文丢进去,按自己预先写好的 prompt 提取公司、基金、人并更新记录,15 秒完成一次信息捕获⁠1。这可以理解为:普通自动化是流程先定、人按流程点;持续工作则是人给目标和标准,agent 反复做整理与执行。这是 AI 基于材料的推演,不是杜磊给出的定义。

复杂度上升时,仍需要计划和协同

材料里的观点

杜磊也提醒另一面:任务复杂度增加时,仍要先写 Master plan 或 Spec,再由 agent 执行;他把这称为协同增加、要交“信息组织税”⁠2。所以“持续工作”不等于完全放手,复杂任务仍需要人把目标和拆解说清楚。他还判断,未来十年 AI 不足以做完整交付,人的行业判断力仍会被需要⁠2。

想让持续工作产生复利,需要沉淀

AI推演

立正署名文章讲的是个人使用 AI 的积累问题:每次从空白对话开始,经验就是一次性消耗;应把反复做的任务做成模板或 skill,并从一个任务开始逐步迁移⁠3。若把这个思路用于区分两种方式:普通自动化往往是一次性搭好的固定流程;持续工作要能长期跑,就需要可复用的上下文、模板和判断标准,否则只是换了个地方重复劳动。这是 AI 的应用建议,不是原文对“持续工作”的定义。

现有片段没有直接定义“持续工作”或“普通工作流自动化”,以上区别是从杜磊对 SaaS 局限、Cursor 用法和 agent 协同的叙述中推出来的,不能当作正式定义。

出处

  1. 1AI重塑工作流后,会消灭哪些“假工作”?(完整观察与推理)|软件3.0如何定义?|当Cursor成为“外脑”|杜磊_下

    视频说话人待核2025-08-16

    杜磊讲传统软件如何框住工作流,以及他用 Cursor 做信息捕获的具体方式。

  2. 2AI重塑工作流后,会消灭哪些“假工作”?(完整观察与推理)|软件3.0如何定义?|当Cursor成为“外脑”|杜磊_下

    视频说话人待核2025-08-16

    杜磊讲复杂任务仍需 Spec 和协同,以及 AI 交付能力的边界。

  3. 3AI 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

    超线性学院 · 会员2026-04-13

    立正署名文章讲 AI 使用经验如何沉淀为可复用系统。

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:

所有问题 →