最近一直想写一些我对 AI Agent 产品以及商业化的思考，工作太忙了以至拖到现在（不是懒），趁着假期碎碎念然后安心带娃。全文约 12,000 字，预计阅读时间 30 分钟，让我们开始吧！Ps. 我会把所有相关引用原文放到文章底部参考资料部分，便于你进一步阅读。全文大纲一、这些 Agent 真能留下来吗二、拆解代表性 Agent三、垂类 Agent 会被模型升级淘汰吗四、信任是不是 Agent

一、人工智能大模型发展现状。

ChatGPT横空出世引发了“百模大战”，算力需求成为焦点， GPU卡一时洛阳纸贵。训练一个大模型，究竟需要多少张GPU卡呢？2023年初写了篇文章《》大致总结了一下，但没有提到推导过程，今天有空展开聊聊。据估计，OpenAI训练GPT-4模型，很有可能应用了10000到20000张英伟达A100。按照马斯克的说法，GPT-5的训练可能需要3万到5万张H100，可见随着大模型的迭代发展，训练所需算

Retrieval-Augmented Generation（检索增强生成）

一、介绍蜜罐技术本质上是一种对攻击方进行欺骗的技术，通过布置一些作为诱饵的主机、网络服务或者信息，诱使攻击方对它们实施攻击，从而可以对攻击行为进行捕获和分析，了解攻击方所使用的工具与方法，推测攻击意图和动机，能够让防御方清晰地了解他们所面对的安全威胁，并通过技术和管理手段来增强实际系统的安全防护能力。

产品经理想让 AI 为你所用，最重要的不是“懂算法”，而是会拆业务、做数据、控流程、评效果。大模型不是万能的，但通过微调，它可以变得非常懂你。2024最新版CSDN大礼包：《AGI大模型学习资源包》免费分享**

RAG 检索准确率（Recall）是衡量检索系统能否找到与用户查询相关的所有文档的指标。它在 RAG 系统中尤为重要，因为如果检索阶段无法提供足够的上下文，即使生成模型再强大，也难以输出高质量结果。高检索准确率是确保生成内容相关性的基础。检索准确率（Recall）公式如下：示例：用户查询 “Swedish massage in Helsinki”。数据库中有 10 条相关文档，检索系统返回 9 条

用了大量的行业数据，模型怎么反而变弱了？比如，对一个回答问题能力不错的模型，用大量数据做指令微调以后，模型变得不会回答问题了。对这个问题，正好做了不少实验，也和周边很多有实践的人讨论了这方面的问题。

网络测试工具是运维工程师的重要武器。掌握这些工具的使用方法，结合实际场景的需求，能够有效提升网络问题排查和性能优化的效率。这两年，IT行业面临经济周期波动与AI产业结构调整的双重压力，确实有很多运维与网络工程师因企业缩编或技术迭代而暂时失业。很多人都在提运维网工失业后就只能去跑滴滴送外卖了，但我想分享的是，对于运维人员来说，即便失业以后仍然有很多副业可以尝试。运维副业方向运维，千万不要再错过这些副

提示词是「让AI理解某个具体问题」，而工作流是「让企业级业务在AI驱动下可靠运转」。正如螺丝钉（Prompt）和自动化生产线（Workflow）的关系——单个零件的精密度再高，也需要系统设计才能实现规模化价值输出。