脉脉

王鲸

07-12 · IGG

AI开发者

NVIDIA DGX Spark 黑客松

今天参加了 NVIDIA DGX Spark 黑客松训练营。现场几场分享给我最深的感受是，行业讨论的重点正在从“模型会不会回答”，转向“系统能不能把事情做成”。Agent 不再只是一个会调用工具的聊天框，而是一套由模型、编排、状态、权限、工作区、消息回执和验收机制共同组成的执行系统。听到“Agent = LM + Harness”、多 Agent 协作、本地与云端混合、聊天软件作为控制面这些内容时，有一种很熟悉的感觉。因为从 3月开始，我们就在持续解决这些问题。最早做的是 Orchestra：主 Agent 拆任务，通过 delegate_task 把独立工作异步派给子代理，完成后统一汇总。后来逐渐形成“指挥官模式”——主会话尽量只负责判断、分派和验收，重活交给隔离运行的执行代理。再往后，又把本地常驻的 Hermes 与 OpenClaw 编排层打通，让飞书成为任务入口，让简单请求直接处理，复杂请求进入任务拆解、并行执行和审查流程。真正的难点并不是多开几个 Agent，而是如何让它们不互相污染、不同时改坏同一份文件、不陷入轮询和重试死循环，也不会把“日志显示成功”误认为“用户已经收到”。我们为此补上了任务回执、上下文域、独立工作目录、文件锁、Token与工具调用上限、高风险审批、群聊去重、/stop，以及以用户确认作为完成标准的闭环验证。很多规则都不是凭空设计出来的，而是一次次真实事故后留下的工程纪律。这些系统已经被用于真实工作：自动收集和整理周报、归档日报，也用于网页游戏原型和功能迭代。多 Agent 可以在几分钟内并行完成彼此独立的修改，但它也会制造新的成本：上下文传递、合并冲突、错误扩散、调用预算和验收压力。实践越深，越能确认 Agent 的壁垒不只在模型，而在模型之外的 Harness——编排、隔离、状态、治理和工作流。很多方向并不是某一天突然成为风口。只是当你先做了一段时间，某一天发现硬件厂商、模型公司和开发者社区，开始用更完整的语言描述同一件事。AI 的下一阶段，大概不只是更聪明的聊天框，而是每个人、每个团队身边，逐渐出现一支能持续协作、执行、审查和交付的数字团队。继续学习，也继续把它做成真正能用的东西。