Agent 狂热（2024—2026）

一个 Demo，估值两百六十亿

2024 年 3 月 12 日，一家成立才半年、叫 Cognition 的公司，发布了一个叫 Devin 的产品。官方博客的标题是："Introducing Devin, the first AI software engineer"——介绍 Devin，第一个 AI 软件工程师。

Devin 不是聊天机器人。在演示视频里，它能自主接单 Upwork 上的真实自由职业编程任务——读需求、写代码、调试、提交。Cognition 宣称它在 SWE-bench（一个用真实 GitHub issue 测代码能力的基准）上达到 13.86% 的端到端解决率，"无需人工协助"，是"新的 state-of-the-art"。Cognition 的创始团队是三位 IOI（国际信息学奥赛）金牌得主：Scott Wu、Steven Hao、Walden Yan——竞赛编程圈的明星。

市场疯了。几个月内，Cognition 估值飙到约 260 亿美元。

然后，复现开始了。

一位网名 Karl 的开发者，在他的 YouTube 频道"Internet of Bugs"上传了一期视频，标题是《Debunking Devin》（《戳穿 Devin》）。他逐帧分析了那个惊艳的 Upwork demo，发现演示任务和 Upwork 上实际任务的要求对不上——Devin 被安排解决的是一个被精心挑选过、对它最有利的问题版本。Karl 自己尝试复现同一任务时，Devin"搞不定"，还产出了一段质量低劣的、像 C 语言风格的 Python 缓冲区拼接代码。Hacker News 上相关的讨论串盖了几千楼。到 2025 年初，独立评测机构 Answer.AI 的报告显示，Devin 在真实任务上的成功率只有约 15%——Trickle 测试了 20 个任务，Devin 失败了 14 个。2025 年 4 月，Cognition 推出 Devin 2.0，起始价从 500 美元/月骤降到 20 美元/月——市场对初期炒作的修正，写进了定价里。

这一幕，读过第三章的人应该觉得眼熟。1980 年，XCON 用一个"一年省几千万美元"的 Demo 点燃了专家系统淘金热；2024 年，Devin 用一个"自主写完 App"的 Demo 点燃了 Agent 投资狂潮。Demo 看起来惊艳，实际维护成本和可靠性远不及宣传——这个模式，四十四年原封不动。

第一个新职业：Prompt Engineer

狂热最先在就业市场上显形。

2023 年 3 月，Anthropic 发布了一个职位："Prompt Engineer & Librarian"（提示词工程师兼图书管理员），薪资区间 17.5 万到 33.5 万美元。要求很特别——"hacker spirit"（"黑客精神"），不要求计算机学位。几乎同时，Scale AI 雇佣了古德赛德（Riley Goodside），媒体称他为"世界上第一位全职 Prompt Engineer"。这个职位在一年前根本不存在。

卡帕西（Karpathy）在 2023 年 1 月说了那句广为流传的话："最热门的新编程语言是英语。" 意思是——你不用写代码了，你只要会用自然语言给模型下指令。一时间，"提示词工程"（prompt engineering）成了热词，教程、课程、认证铺天盖地。

民间很快传出了"Prompt Engineer 年薪百万美元"的说法。这个说法查无实据——真实可信的数字是 Anthropic 的 33.5 万美元上限，Glassdoor 显示中位数其实只有约 12.6 万美元。但"百万年薪"的传闻本身就是一种症状——它折射出一种集体的赌徒心理：认定"给 AI 下指令"是一门稀缺的、值得高薪的新手艺。

这个心理，1977 年费根鲍姆见过一次。那一年他在 IJCAI 上把"知识工程师"（Knowledge Engineer）命名为一个新职业——坐在专家旁边、把专家直觉写成 IF-THEN 规则的人。当时人们也相信这是一门稀缺手艺。四十六年后，规则变成了 prompt，知识工程师变成了提示词工程师，但工匠的本质没变：都是手工把"知识"编排进系统的人。

而工匠的命运，往往是部分被自动化。2025 年，卡帕西在斯坦福的课上明确说："Prompt engineering 会被自动化掉。"Anthropic 提出了"上下文工程"（context engineering）作为 prompt engineering 的继任者——模型自己写 prompt 的时代正在到来。这和知识工程师的命运如出一辙：当工具成熟到能自动学习知识，手工编码就不再是稀缺技能。

第二个新职业：Agent Engineer

但工匠没有消失，只是升级了。

2023 年 6 月 30 日，swyx（Shawn Wang）在 Latent Space 发表了一篇影响深远的文章《The Rise of the AI Engineer》（《AI 工程师的崛起》）。他的核心论点是：AI Engineer 是一个正在独立出来的新学科，规模可能比 ML Researcher 还大。它超越了 Prompt Engineer——不只是写 prompt，而是编排工具、记忆、状态，构建完整的 agent 系统。

到 2025 年，"Agent Engineer"作为一个职位名称开始固化。它的核心技能清单是：工具设计、记忆管理、评测、对齐。这和知识工程师的技能在结构上对位——只是从"编码规则"变成了"编排工具和记忆条目"。LinkedIn 上出现了大量"Prompt Engineer 已死，AI Engineer 万岁"的帖子。一个角色消失了，另一个更复杂的角色诞生了。工匠的层次在升级，但"手工编排知识"的本质没有变。

这意味着工匠的轮回在继续。每一次 AI 繁荣都会催生一个"手工编排知识"的阶层——1977 年是知识工程师，2023 年是提示词工程师，2025 年是 Agent 工程师。他们都会随工具成熟而部分被自动化，然后一个更复杂的工匠角色在旧角色的位置上长出来。

框架军备竞赛

新职业催生了新基础设施。2023 到 2025 年，Agent 框架经历了一场军备竞赛。

LangChain 是起点。它不是 2017 年创立的（这是个常见误传）——它由哈里森·蔡斯（Harrison Chase）在 2022 年 10 月作为开源项目发布，2023 年公司化后迅速融资，估值冲到 12.5 亿美元，成了独角兽。接着，LangChain 团队又推出了 LangGraph，把 agent 建模成有状态图（状态机），专治生产环境里 agent"丢失位置、重复步骤"的失控问题。微软开源了 AutoGen，一个多 agent 对话框架。若昂·莫拉（João Moura）在 2023 年 10 月创建了 CrewAI，用"角色扮演协作小组"的抽象迅速冲到 GitHub 高星，2024 年 10 月拿到 1800 万美元融资。LlamaIndex 从检索增强生成（RAG）框架扩展到 agent。

到 2025 年，开发者社区出现了一个新词："框架疲劳"（framework fatigue）。Reddit 上有人写道："每周都有一个新的编排层。"Hacker News 上的共识更尖锐——"agent 框架这层太薄了，几乎可以不存在"，"我用过的所有 agent 框架，给我的东西都不如一次简单的结构化生成调用"。连 LlamaIndex 的 CEO 刘洵（Jerry Liu）都公开说："框架时代正在终结。"

这一幕同样眼熟。1980 年代，Symbolics、LMI、TI、Xerox 一窝蜂造专用 Lisp 硬件，"一机难求"；到 1987 年通用工作站性价比反超，专用硬件市场崩盘，Symbolics 1993 年破产。2025 年，Agent 框架开始洗牌——微软自己把 AutoGen 和 Semantic Kernel 合并成了单一的 Microsoft Agent Framework。对位 A8（专用硬件泡沫 ↔ Agent 框架泡沫）的结构再次重演：都是"为新兴范式建造专用基础设施"的狂热，都会经历一轮洗牌。

而真正可能终结这场框架军备竞赛的，是一个 2024 年底出现的开放标准。

"AI 的 USB-C"

2024 年 11 月 25 日，Anthropic 开源了一个协议，叫 MCP（Model Context Protocol，模型上下文协议）。社区的比喻是——它是 "AI 的 USB-C"。

USB-C 用一个通用接口取代了混乱的专有线缆；MCP 用一个开放标准取代了 AI 模型与外部工具/数据源之间一次性的、定制的集成。在 MCP 之前，你每接一个新工具到 agent，就要写一套专门的对接代码；有了 MCP，工具只要实现这个标准接口，任何支持 MCP 的 agent 都能直接调用。

MCP 在 2025 年爆发式增长。3 月 26 日，OpenAI 宣布采纳 MCP——奥特曼（Sam Altman）在 X 上亲口确认。4 月 9 日，Google 的哈萨比斯（Demis Hassabis）宣布 Gemini 将支持 MCP。微软在 Build 2025 上宣布 Copilot Studio、GitHub、Azure AI Foundry 全面支持。到 MCP 一周年（2025 年 11 月），官方博客称已有"数千个"活跃的 MCP 服务器。一个第三方目录甚至列出了约 1.6 万个。

MCP 的意义在于：它把"工具连接"这件原本需要框架来封装的事，标准化成了一个协议层。 当工具连接变成即插即用，那些以"帮你连工具"为核心卖点的 Agent 框架，价值就被抽空了——这正是刘洵说"框架时代终结"的技术背景。对位 A8 的解药，正在浮现。

第三个病灶：评测危机

但框架和协议只是表层。更深的问题是：我们怎么知道一个 agent 行不行？

答案目前是：不太知道。这就是 SWE-bench 的故事。

2023 年 10 月，普林斯顿的希门尼斯（Jimenez）等人发布了 SWE-bench（arXiv 2310.06770，ICLR 2024 Oral）——从 12 个流行 Python 仓库的真实 GitHub issue 里提取任务，测试模型能否自主生成修复补丁。发布时，最好的模型只能解决约 4% 的问题。这本该是这个基准的优点——它真的难。

接下来两年，分数被刷上去了。2024 年 8 月，OpenAI 和原作者合作推出 SWE-bench Verified（500 题人工验证子集）。各家模型分数从 25% 飙到 70%，Claude 系列甚至到了 90% 以上。看起来，agent 在飞速进步。

然后真相浮出水面。2025 年 9 月，OpenAI 自己宣布弃用 SWE-bench Verified，官方声明里说它"increasingly contaminated and mismeasures frontier coding progress"——越来越被污染，越来越不能反映前沿代码能力。独立评测机构 METR 审查了 296 个通过 SWE-bench 测试的 AI 生成 PR，发现约一半在实际维护者审查后不会被合并进主分支——自动测试通过的分数，和真实可用的代码之间，差了约 24 个百分点。"The SWE-Bench Illusion"（《SWE-Bench 的幻觉》）这篇论文（arXiv 2506.12286）更尖锐：顶级 LLM 即使不给代码库上下文，bug 定位仍达 76% 的准确率——这意味着它在靠记忆训练数据里的 issue，而不是靠推理。

这是一个比"刷榜"更深的问题。当一个基准变得重要，它就会被针对优化、被数据污染、被过拟合——基准分数和真实能力的差距越来越大。这和专家系统后期"每加一条规则要验证与上千条规则的交互"是同构的：验证成本随规模指数级增长。Devin 自报的 13.86%，从头到尾从未被 SWE-bench 官方排行榜独立登载过。

而 METR 2025 年 3 月发表的那篇关键论文（arXiv 2503.14499，NeurIPS 2025），把长程任务成功率衰减量化成了一个指标——"50% 任务完成时间视野"（50% time horizon）：人类专家完成时间越长的任务，agent 成功率越低，而且这个时间视野在 2019 到 2025 年间每约 7 个月翻一倍。另一篇论文（arXiv 2505.05115）把衰减正式形式化成了"半衰期"模型——agent 成功率随任务时长指数衰减。这是对位 A3（长程任务漂移）的硬核学术实证：步数越多，成功率断崖式下降，这不是直觉，是可量化的规律。

我们亲手验证的

这本书不是只在转述。在写这一章之前，我们亲手跑了一个实验（详见 04-agent实验/）。

用 langchain 1.1 + langgraph 1.0 + GLM-5.2，我们构建了两个 agent：一个通用 agent（G，带计算器、元素查询等通用工具），一个 DENDRAL 升级版专用 agent（D，带质谱解析、官能团库、分子式推断、结构校验等化学专用工具）。然后我们让它们在同样的有机分子推断题上跑三个子实验，对应 A1/A3/A4 三个对位病灶。

子实验 1（Prompt 爆炸，A1）：当我们把两个 agent 的 system prompt 从极简版逐级加规则到最复杂版，通用 agent G 的工具调用从 2 次暴涨到 8 次、消息数从 5 条膨胀到 13 条；而专用 agent D 的工具调用恒定在 4 次、消息数恒定在 8 条。专用工具吸收了领域知识，prompt 膨胀被遏制——这就是专家系统时代"规则库与推理引擎分离"的当代验证。

子实验 2（长程漂移，A3）：当我们把任务从 3 步延长到 8 步，通用 agent G 的消息数从 9 涨到 11、耗时从 33 秒涨到 85 秒；专用 agent D 的工具调用依然恒定 4 次、消息 8 条。确定性工具让 agent 行为对任务长度不敏感。

子实验 3（脆弱性，A4）⭐ 最深的发现：当我们把一个 DENDRAL 工具库不覆盖的金属有机化合物（二茂铁，含铁）丢给两个 agent，它们都没有承认自己超范围，而是自信地给出了完整的推断报告。但细查输出发现——正确答案来自 LLM 的预训练记忆，工具校验层被绕过了。模型没有真正调用 DENDRAL 方法推断，而是靠"记得"二茂铁是什么来伪装推理。

这是 2026 年 Agent 脆弱性的真正形态，而且比 1985 年更危险。专家系统的脆弱性是显性的——边界外给荒谬答案或崩溃，容易被发现。Agent 的脆弱性是隐性的——靠记忆兜住表面正确性，绕过工具校验，看起来"答对了"但推理过程是假的。它制造了"系统比实际更可靠"的错觉，而这种错觉比错误本身更致命。

一个判断

把这一章的所有证据摆在一起——Devin 的 Demo 与复现鸿沟、SWE-bench 的污染与弃用、Agent 框架的洗牌、Prompt Engineer 的兴衰、METR 的半衰期模型、我们自己实验里那个被绕过的工具校验层——一个判断逐渐清晰：

专家系统时代的每一个结构性病灶，都在 Agent 时代换了身衣服重新出现。规则变成了 prompt，规则库的维护团队变成了调试 system prompt 的工程师，MYCIN 边界外的显性崩溃变成了 LLM 靠记忆伪装的隐性失效——后者更难发现，因而更危险。连"国家竞赛"都在重演，只是参赛者从第五代机变成了各国的主权 AI。

但重演不等于重复。下一章要回答的问题是：这一次，有没有可能不一样？2026 年的我们，手里有没有 1985 年的费根鲍姆所没有的东西？

答案藏在三个词里：项目记忆（Project Memory）、State Management、Verification——把易腐的上下文，固化为可演化的工程资产。那不是别的，正是第十章要讲的 Agent Operating System。

（本章史料均经独立核证，详见《第八章-史料核证附录》。本章还引用了作者亲自执行的 Agent 边界实验，详见 `04-agent实验/实验报告.md》。）