本文来自微信公众号： AI前线 ，编译：冬梅，作者：冬梅
近期，在LangChain举办的智能体大会Interrupt上，吴恩达与LangChain创始人Harrison Chase进行了一场关于AI Agent的对谈。整场交流的核心并不是简单讨论Agent有多强，而是围绕一个更现实的问题展开：当AI Agent让软件开发变快之后，真正的瓶颈会转移到哪里？
吴恩达首先提到，过去一年AI领域的热度和炒作超出了他的预期。相比之下，更值得关注的是编程智能体的快速进步。他说，六个月前自己几乎主要使用Claude Code，现在则开始混合使用OpenAI Codex、Gemini CLI、OpenCode等工具。编程智能体的能力边界变化很快，甚至连在手机上写代码这样的工作流，也开始变得自然。
但编程智能体带来的最大变化，不只是写代码更快，而是软件生产链条被重新分配。吴恩达提出了“产品管理瓶颈”的概念：当代码实现速度提升10倍甚至100倍之后，限制团队效率的就不再只是工程实现，而是“到底该做什么”。需求定义、用户反馈、优先级判断、产品边界，都会变得更重要。
与此同时，营销、法务、设计、合规也可能变成新瓶颈。过去一个产品开发三个月，等法务一周签字可以接受；但如果现在一天就能做出产品，再等一周，法务本身就成了阻碍。
因此，未来的软件团队会更小、更快，也更依赖通才型人才。
吴恩达提到，他越来越多地组建一到十人的小团队，成员往往是高上下文、高授权、技术能力强的工程师。他们不只写代码，还会借助AI完成产品定义、营销文案、服务条款初稿等工作。AI不会让工程师瞬间变成优秀营销人员或律师，但可以让他们先产出一个可用初稿，再交给专业人员把关。
在Agent开发方式上，吴恩达用了“乐高积木”的比喻。
今天的开发者面对的不只是模型，还有RAG、Agent框架、评估工具、Guardrails、UI组件、身份认证、数据库等大量构建模块。开发者越了解这些模块，越能快速组合出可用系统。但问题是，API、SDK和工具变化太快，模型未必知道最新用法。因此，Agent的能力不只取决于模型本身，也取决于它能否获得及时、准确、可执行的上下文。
谈到企业落地，吴恩达认为，很多企业正在做自下而上的AI创新，但这种“百花齐放”往往只能带来点状提效，难以形成真正转型。比如银行用AI自动化贷款审批，如果只是把一小时人工审核变成AI审核，价值有限；更大的机会是重构整个流程，推出“10分钟获批”的贷款产品。这需要营销、数据、审批、尽调、执行等环节一起变化。
他也提醒企业，不要只把AI当作降本工具。成本节省有上限，增长才更有想象空间。客服、呼叫中心、drive-through点餐等场景中，AI的价值不只是减少人工，而是更快服务更多客户，改善体验，进而带动业务增长。
最后，他把企业Agent的关键基础落到数据架构上。过去企业主要围绕结构化数据做治理，但Agent真正要发挥作用，必须能处理文本、PDF、图片、音频、视频等非结构化数据。现实是，很多企业数据分散、权限体系为人而非Agent设计、治理和可观测性不足。吴恩达判断，未来几年，企业会启动大规模数据架构重构，让数据真正变得AI-ready、agent-ready。
这场对话的重点是：AI Agent不只是让代码写得更快，它正在倒逼企业重新思考产品、组织、数据、流程和技术选型。真正能从Agent中受益的企业，不是简单自动化某个环节，而是有能力围绕Agent重构整个业务系统。
以下为完整版对话，经AI前线编译：
编程智能体的崛起
Harrison Chase：距离我们上次对话已经过去一年了，这一年AI领域发生了很多事情。哪些事情的发展速度超出了你的预期？哪些事情又比你想象得更慢？
吴恩达：我觉得，首先是一些热度和炒作程度超出了我的预期。另外，一些末日叙事也获得了比我预想中更多的关注，这有点遗憾。比如所谓的“工作岗位末日”，我并不认为那会真的发生。更积极的一面是，编程智能体的发展速度可能比我预想得更快。
现在的前沿编程智能体发展非常快。虽然外界总说AI每三个月就彻底改变一次，这种说法并不完全准确，但在编程智能体上，它确实有点像真的。我们能用编程智能体完成的事情，其前沿能力变化非常快，而且竞争非常激烈。
大概六个月前，我几乎全都在用Claude Code。现在我仍然大量使用Claude Code，但也越来越多地使用OpenAI Codex，同时也会混合使用Gemini CLI。我也支持OpenCode，因为它是开放的代码。
所以我们使用的编程智能体组合变化得非常快。
一年前我也不会想到，自己会在手机上写这么多代码。很多工作流都在快速改变。比如像在座很多人一样，我办公室里也有一台Mac Mini，这些开发工作流变化得非常快。
另外，智能体式工作流也正在真正进入企业。这一点也让人感觉不错。
Harrison Chase：顺着软件工程这个话题，在你看来，软件工程的未来会是什么样？
吴恩达：大概一年前，我写过“产品管理瓶颈”这个问题。它的意思是，如果构建软件变得快得多，那么决定要构建什么，也就是产品管理工作，包括定义项目范围、获取客户反馈、决定做什么，就会变成瓶颈。
过去一年，我感觉这个产品管理瓶颈以一种好的方式变得更严重了，因为软件构建变得快多了。
但事实证明，当写软件变快10倍甚至100倍之后，不只是产品管理会成为瓶颈，几乎所有其他事情都会变成瓶颈。
我有些团队已经遇到了营销瓶颈。因为我们能构建太多功能，营销人员反而很难跟上，搞清楚一个新功能到底做了什么，然后再思考该如何对外传播。
过去，如果一个产品需要法律合规，你花三个月构建它，再等一周让法务签字，可能还可以接受。但现在，如果你一天就能构建出来，然后还要等一周法务签字，那就变成了法律合规瓶颈。设计也会成为瓶颈，其他环节也一样。
所以我经常思考，未来的软件工程团队会如何组织。但我不认为自己已经知道答案。
不过，我越来越多地在组建非常小的团队，可能是一到十个工程师。这些人通常是通才型、高上下文、高授权的工程师。团队会被给到一组非常宽的护栏，然后他们就可以在这个范围内疯狂推进、构建并发布代码，甚至推动一些传统上不属于工程范畴的决策，比如写营销文案。
假设你有一个团队，它需要软件工程、产品管理、一点服务条款、一些营销文案、一些设计。也就是说，这个团队需要五种职能，但只有两个人。
那么按照定义，或者用“鸽巢原理”来说，这两个人里的每一个人都必须承担不止一个角色。
好消息是，我不觉得自己是一个很好的营销人员。但当我使用AI时，我仍然不是一个好营销人员，只是和没有AI助手相比，稍微没那么差。
所以我发现，这种小团队很有效：成员是高上下文的通才，技术能力很强，同时能够使用前沿技术，在其他角色上也承担一部分工作。
比如，坦率地说，所有工程师都可以用AI起草一版服务条款，然后再交给律师，让律师最终润色后发布。我发现这些流程能让团队移动得快得多。这一点非常令人兴奋。
Harrison Chase：这些人的理想背景是什么？他们本来就是工程师吗？还是来自其他学科，然后第一次学习写代码？你观察到的情况是什么？
吴恩达：我最密切合作的很多人，确实拥有很深的工程和技术背景。同时，他们也被充分授权，是略带通才属性的人。他们会进入其他角色，并在AI的支持下获得混合技能，而这些技能可能原本并不是他们受过训练的领域。
我认为人们可以从任何方向成功转型。我见过产品经理在写代码方面变得强很多，然后参与到这类团队中。
不过，因为AI编程本身和工程关系很深，工程师在理解前沿技术上可能天然有优势。所以我最常看到工程师成功扮演这种角色。
但也确实有少数产品经理能做到。我也见过营销人员以非常有效的方式学习写代码。还见过运营人员开始构建越来越多产品。
我认为任何背景的人都有可能学会做很多这类事情。但目前做得最好的最大群体，似乎仍然是工程背景出身的人。
不过，我们鼓励来自任何背景的人都尝试看看，自己是否能扮演这些角色。
如何进入AI软件工程领域
Harrison Chase：对于那些想进入这种新软件工程领域的人，你有什么建议？比如有哪些工具值得尝试，应该具备什么心态，或者应该学习哪些技能？
吴恩达：我最近在用一种方式思考软件工程的未来，这是我脑子里的一个心智模型。现在有很多工具提供商，提供各种构建模块，比如RAG、智能体框架、评估工具、护栏等。这些都是AI构建模块。
同时，也有很多非AI构建模块，比如用户界面组件、身份认证机制、前端和后端、持久化数据库等等。
所以我认为，在计算机科学里，我们一直都有一套非常棒的构建模块。而随着智能体式编程的发展，构建模块正在快速增加，因为越来越多人在构建开源模块、专有API模块，或者其他类型的构建模块。所以我们周围有很多非常棒的构建模块。
我发现，如果开发者能够很好地掌握足够多的构建模块，他们通常就可以用组合的方式，把这些模块快速拼装起来，构建软件。
你可以想象用乐高积木搭东西。如果我手里只有一块白色乐高积木，我能搭一些东西，但不会太有意思。但如果我再加入黑色、黄色、棕色、绿色的积木，再加上一些形状奇特的乐高零件，那么随着我拥有的乐高积木种类变多，我能搭出的东西会以组合式方式增长，甚至呈指数增长。
我认为，我们现在能使用的很多构建模块，也有类似效果。
我发现，那些开发者如果能很好地理解这些构建模块能做什么，就会变得非常强。
现在编程智能体面临的一个问题是，很多构建模块太新了，以至于编程智能体并不知道该如何使用它们。
举个例子，直到最近，很多领先编程智能体所基于的模型，知识截止时间都早于nano-banana发布的时间。所以它们并不知道nano-banana存在，也不知道如何调用nano-banana API。
AI正在如何改变教育
吴恩达：我们正在尝试很多方式来改善教育体验。就培训内容而言，已经很明确的是，人们需要学习的东西发生了显著变化。对于开发者来说，他们需要学习编程智能体，学习这些构建模块，也许还要学习一些产品管理，或者类似的通用技能，让自己更有效。
但除了“学什么”之外，还有“怎么交付培训”的问题。我们思考“如何学习会被改变”已经很久了，但感觉真正的变化其实还没有完全到来。
坦率地说，我们现在每天仍在迭代和改进这些体验。
Harrison Chase：你刚才说可以点击视频并输入内容，这个功能现在已经上线了吗？还是一个未来方向？
但那种更大的教育变革，我确实花了很多时间在思考。
企业AI采用：哪些有效，哪些还不够
Harrison Chase：从软件工程扩展到其他领域，你如何看待企业采用AI？它比你预期更快还是更慢？正确的方式是什么？大家可以从中学到什么？
有一些一致的主题。
几乎所有企业都投资了自下而上的创新，也就是所谓“百花齐放”的策略。但总体来看，这种策略的回报并不明显。所以CEO和董事会都在问：AI的ROI在哪里？
我认为我们仍然应该继续投资自下而上的创新，应该继续做。但事实是，自下而上的创新通常会产生点状解决方案，带来渐进式效率提升。这其实是好事，但它不是AI曾经承诺给我们的那种更广泛的转型，而我认为我们应该努力交付这种转型。
我用一个例子说明。我的团队正在和多家银行合作。
吴恩达：我们在金融服务领域做了很多工作。以贷款承销流程为例，它可能有五个步骤：营销贷款产品、接收申请、审核并批准贷款、做最终尽职调查，以及执行贷款。
很多团队注意到，中间的贷款审批环节可以用AI来做。如果我们能自动化这个环节，那么原本需要人花一小时审查贷款申请，现在可以由AI来完成。这很好，我们当然应该做。
但问题是，如果你的整个贷款承销流程保持不变，只是把原来一小时的人力工作自动化了，那这只是一个小的、渐进式效率提升。
所以有些银行会说，既然如此，我们不如重新思考整个工作流，推出一个“10分钟内获批”的贷款产品。
因为我们不再需要等一个人一周之后才有一小时空闲去审查申请，我们可以马上把贷款申请发送给AI，让它立即做出决策。但在很多企业里，真正实施这种变化的挑战在于，它需要一个拥有更大范围权限的人，重新思考和重新设计整个工作流。
因为现在你要营销一个“10分钟获批”的产品。你需要把申请立即路由到审批环节，而不是一天后再处理。营销、数据、基础设施都需要参与进来。是的，AI可以做初步决策。但最终尽调和执行环节可能也需要扩展能力。
所以我发现，自下而上的创新非常有价值，它会产生很多想法。但它必须和自上而下的动作结合起来，也就是需要有人拥有更广的视野和权限，能改变所有这些步骤的运作方式，从而真正创造增长。很多企业都在谈降本。
降本没问题，值得做。但我更想推动大家想象一些AI能做的更有想象力的事情，也就是推动增长。
因为我们能节省的钱总是有限的，但增长几乎没有实际天花板。所以我发现，更令人兴奋的想法通常和推动业务增长有关，而不只是节省成本。
Harrison Chase：你有没有看到一些通过AI推动业务增长的好案例？有没有哪些案例让你特别兴奋，或者你觉得其他人应该关注和学习？
吴恩达：有。刚才银行的例子就是真实案例。我们正在和一些银行、金融机构合作做这件事，其他企业也在做类似的事情。
另外一个模式是客户服务和呼叫中心。客户服务和呼叫中心通常被视为降本场景。降本当然不错。但当你能自动化客户服务，或者自动化、增强其中一部分时，你就能更快服务更多客户，从而提供更令人愉悦的客户体验，并推动增长。
我也和一些企业交流过，它们正在自动化drive-through的语音应用，也就是汽车穿梭餐厅的点单流程。我认为这同样能带来更好的客户体验，并推动增长。
所以我看到经济中不同地方正在出现越来越多这样的例子。
还有一些我知道的案例，但我没有权限公开讲。不过，基于我看到的企业正在做的事情，我非常有信心，未来会出现越来越多这样的案例。
如何衡量ROI
Harrison Chase：你刚才提到了ROI。根据我昨天和今天的很多交流，我知道很多人都在思考这个问题，也在思考如何衡量ROI。在一些场景里，比如成本节省或者呼叫中心，也许比较容易衡量。但你会如何建议大家思考ROI衡量？有什么建议吗？
吴恩达：我希望我知道答案。我发现，挑战可能在于企业非常多样化。所以衡量ROI就像衡量业务本身一样，很难有一个放之四海而皆准的答案。不过有一点是，我最兴奋的那些项目，通常是可以衡量的，也应该被衡量，值得被衡量。
有些事情，我们需要“全力挥棒”，去创造非常大的价值。
在这种情况下，我们讨论的就不是“这会不会带来2%的增长，再减掉1%的实施成本”。有些项目的价值非常明显，会显而易见地改变业务。
当然，我们仍然需要衡量它，尤其是如果你是一家上市公司。
但我学到一件事：有时候，推动渐进式收益反而比推动转型式收益更难。如果你告诉某人，明年把业务结果提升2%，他可能会觉得，好吧，老板就是让我多努力2%或5%。
但如果你要寻找能带来20%或50%业务增长的方法，你不可能让全公司每个人都多努力50%。你必须提出更有创造力的解决方案。
这经常会带来新的思路。
我在AI Aspire学到的一点是，很多企业真的会发给我们一张表，里面有几百个想法。
比如有一家金融机构给我们发了一张超过300个想法的表格，让我们帮他们判断，在这些想法中哪些值得真正投入资本。
事实证明，这个分析非常困难。我希望自己足够聪明，能一眼扫过去就说，这个想法好，那个想法好。但面对这么多想法时，通常需要进行自上而下和自下而上的头脑风暴。
这需要大量技术分析，判断哪些事情在技术上可行；也需要大量业务分析，判断哪些事情可能带来有意义的变化。
最后需要把这些想法缩小到少数几个值得投入重要资源的赌注上。
Harrison Chase：这类“全力挥棒”的项目，你通常看到它们是自上而下推动的，对吗？
吴恩达：没错。我认为企业最好不要只做一个疯狂的大赌注，而是形成一个由少数几个经过深思熟虑的赌注组成的组合。如果其中任何一个成功，都会对业务产生有意义的影响。
不过，智能体式编程让我很喜欢的一点是，我们可以运行大量实验，不断做原型。原型开发的成本已经大幅下降。
但遗憾的是，你不可能做所有事情。比如在10万美元预算下，你不可能什么都做。到某个阶段，对少数几个项目组合中的每一个投入有意义的资源，是合理的。
也正因为在这个级别上需要资源分配，所以往往需要更多自上而下的动作，来配置所需资源。
驻场工程师是炒作还是真实需求
Harrison Chase：最近关于企业采用AI，有一个被频繁讨论的话题是Forward Deployed Engineer，也就是前线部署工程师。未来每家公司都会有FDE吗？你怎么看？为什么你认为他们这么有影响力？未来会如何发展？
吴恩达：在硅谷的流行语里，FDE确实正处在一个高关注时刻。我知道Aaron前一两天也在台上非常深入地谈过这个话题。我认为FDE是一个很好的想法。
很多企业都会需要这种角色。但展望未来，你觉得一家公司里FDE的数量，和公司雇佣的普通AI工程师数量之间，会是什么比例？
我认为，大多数企业会拥有更多内部工程师，同时可能嵌入一小支FDE团队。所以我喜欢FDE，也对这个角色的增长感到兴奋。我们应该帮助更多人获得FDE工作。
但我也认为，和很多事情一样，围绕它的hype可能比现实情况略高。不过它确实是一件好事。
构建智能体工作流是很难的。它需要理解业务，需要面向客户的能力。为了让系统可靠，通常还需要做好可观测性、评估，与客户合作，判断某些需求在技术上其实不可行，并和利益相关方一起决定应该自动化哪个工作流，还要帮助企业完成变革管理。
所以这是一个非常有价值的角色，需要很深的技术判断。让FDE嵌入企业，确实可以大幅加速项目。
但我也看到很多企业面临另一个挑战：有没有可能获得一个供应商中立的FDE？
这其实很难，取决于你想让哪些供应商真正嵌入你的企业。因为我们在AI领域看到，领先模型变化非常快。
我不知道一年后领先的AI模型会是什么。我也完全不确定一年后领先的编程智能体会是什么。
所以在这种不确定时刻，选择权非常有价值。
坦白说，很多供应商都会来找我们的企业，提供20%、30%的折扣，但条件是签三年合同，类似这种。
我不是在给建议，只是说我自己怎么做。无论对方提供多大折扣，我个人几乎从不签超过一年的合同。因为我非常重视这种选择权，希望一年后可以和当时最好的供应商合作，而现在我并不知道那会是谁。
当我们和FDE合作时，企业会问的一个问题是：如果你让某家公司派来的少数几个FDE嵌入你的公司，并让他们把所有东西都深度绑定到某一个AI模型或某个平台上，这会在一两年后多大程度上降低你的选择权？
构建Agent之前，先做好数据战略
Harrison Chase：说到供应商中立，尤其是在模型层面，过去几天我们也多次谈到开源模型。你怎么看这些模型的发展？你如何看待它们和前沿模型之间的关系？
吴恩达：这件事很有意思。开放权重模型似乎一直稳定地落后前沿模型大概六到九个月。但前沿模型足够昂贵，所以在很多使用场景里，我的团队也会大量使用开放权重模型。有时候我们会做微调，有时候不微调。所以我希望大家能继续支持开放权重模型。
过去两周，我听到白宫方面出现了一些让我担心的声音，比如在模型发布前进行检查。我对此其实非常担忧，也和政府里的一些朋友保持沟通。
我感觉，针对开源模型和开放权重模型的战争仍然在继续。有时候它以“美国与中国竞争”的名义出现，有时候则以其他各种理由出现。
但我认为，如果我们能共同保护开源和开放权重模型，这会让世界变得更丰富，也会帮助我们所有人保留选择权。
Harrison Chase：我和一些人讨论过一个问题：在围绕数据构建Agent之前，先把数据战略做好非常重要。当你和那些正在构建Agent的公司合作时，它们大概率也希望这些Agent以某种形式连接到数据。你看到哪些做法比较有效？这些要求最终可以归结为什么？
吴恩达：这是一个很好的问题。在AI Aspire和大型企业交流时，一个非常常见的痛点是：它们需要重新思考数据架构。过去10年、20年里，我们投入了大量精力来组织结构化数据，比如表格、关系型数据、电子表格。这当然很好，现在也依然重要。
但如今AI可以处理非结构化数据，比如文本、图片、PDF文件、音频，也许还有视频。如何组织这些数据，让它们能在正确的时间、正确的位置被AI或Agent使用，并创造价值，突然变得比过去重要得多。
我也花了很多时间观察这个市场。现在有很多供应商开始谈如何处理非结构化数据，但我还没有找到一个真正让我特别满意的好方案。
所以在我的团队里，包括AI Fund和AI Aspire，我们正在做一堆有点疯狂的实验，尝试重新架构我们自己的数据。如果这些实验真的有效，我之后可能会讲更多。
但我确实花了很多时间思考，如何重新架构我们内部的非结构化数据，让这些数据能在合适的时间交给Agent使用。
我预见到，就像很多企业过去曾经面对非常大的结构化数据架构问题一样，未来几年，很多企业也会出现非常大的数据架构改造项目。规模可能达到数千万美元，甚至数亿美元。目标是重新思考数据架构，让数据变得更AI-ready，或者说更agent-ready。
非结构化数据与
即将到来的架构重构
Harrison Chase：现有数据架构的问题在哪里？为什么它们还不够AI-ready或agent-ready？
吴恩达：问题很多。首先是碎片化、治理问题，数据到处都是，没有统一的共识模式。有些数据甚至还放在某个人的笔记本电脑上。
还有权限问题。很多权限系统原本是为人类设计的，而不是为Agent设计的。那么Agent是否继承我的权限？我们如何管理治理和可观测性？
我觉得我们都见过这种情况：很多企业有大量PDF文件，堆在巨大的存储桶里，过去20年都没人看过。在金融服务领域，很多文档是出于合规原因被保存下来的。以前没人有时间看这些东西，所以看它们没什么意义。但现在，如果让AI去整理和分析这些内容，就会变得非常有价值。
原视频链接：
https://www.youtube.com/watch?v=OaRhpwz_TGM