在深入探讨最佳智能体（Agents）的共性之前，我想分享一句对我个人开发智能体影响深远的名言。毕加索所说的“窃取”，并非指物理上的盗窃或剽窃，而是指深入研究、透彻理解某事物，将其内化，并在此基础上创造出更优秀、更独特的成果。这正是我今天演讲的核心：我将分析目前最出色的四个智能体，深入研究它们的行为模式，从中汲取经验，以帮助我们构建更优质的智能体。我将聚焦于四种特定模式，阐述其内涵、为用户创造的价值，以及在现实中的具体表现。
第一种模式是“专注模式”（Focus Modes）。这种模式通过限制智能体的动作和输入空间，将其置于特定的工作状态，如规划模式或研究模式。对工程师而言，这能显著提升在受限空间内的输出质量，让我们能先优化系统提示词和评估指标。对用户而言，这有助于对齐期望，引导用户输入更精准的信息。以 Cursor 为例，用户可以通过下拉菜单轻松切换模式。在规划模式中，它只生成计划而不写代码；在调试模式中，它采用假设驱动的方法，启动专用服务器并推送日志以排查问题。这种模式让智能体在特定任务上表现得极为出色。
第二种模式是“透明执行”（Transparent Execution）。其核心在于让智能体的思考过程、所用工具和当前状态对用户极度清晰，从而将“委托”转变为“协作”，让用户成为过程的一部分。这种透明度首先建立了信任：当用户了解智能体的推理过程、阅读内容和不确定性时，对最终结果的信任度会更高。其次，它允许用户在早期阶段进行干预，若发现智能体方向错误，可及时止损，减少资源浪费。Claude 的协作功能很好地体现了这一点，它通过进度列表展示已完成和待办事项，并详细显示工具调用的输入输出，让用户清楚了解执行细节。Manifold 也采用了类似机制，清晰展示任务进度和智能体的分析依据。
第三种模式是“个性化”（Personalization）。这旨在赋予智能体用户个人的思维体系、知识、原则和模式，仿佛用户亲自在执行任务。其根本目的是优化智能体的“理解速度”，而不仅仅是“结果生成速度”。许多智能体虽能快速生成输出，但若不符合用户的隐性偏好或具体语境，结果便毫无价值。通过个性化，智能体能更快捕捉用户的细微差别和隐含需求，从而做出正确的决策而非仅仅完成某事。这种个性化在不同智能体中以多种形式呈现，例如 Harvey 就提供了显著的个性化功能，使其能更好地适应用户特定的工作流和需求。
关于“剧本”的概念，剧本通常用于律师事务所。我不是法律专家，但据我了解，这是指他们用于审查特定合同等方法论和原则。你可以在 Harvey 中创建这些剧本，然后代理会以你律师事务所处理相同的方式执行操作。
Harvey 还使用了一个相当常见的概念，即记忆。随着我们的推进和向代理发出指令，它会创建记忆，并在随后的交互中从中提取信息。Claude 像许多其他模型一样，也具有技能和连接器以及系统的概念，你可以连接这些系统以增加知识库并改善代理的个性化程度。
最后一点是可逆性。可逆性是指用户能够撤销或回退代理所执行的操作。从根本上说，我们要实现的是将错误成本绑定。如果我们知道最坏的结果是什么，或者至少知道对我而言潜在的负面成本是多少，那么计算投资回报率就变得容易得多，我就可以放心地说：“去做吧。”否则可能会产生相当严重的后果。
这使得用户更加大胆，更愿意承担风险，并处理更高价值的任务和用例，让代理去执行。Cursor 在这方面做得非常出色。Cursor 实际上在不同程度的粒度上实现了这种可逆性。
在左上角，你可以回滚或逐行选择接受或拒绝代理所做的更改。在左下角，你可以按文件级别接受更改。在右下角，你可以回到对话状态的某些特定点，你可以说：“我们现在进行了这段对话，但实际上最后三条消息中你做的所有更改，请撤销并跳回。”
此外，它还允许使用不同的模型并行生成多个输出，输入相同。因此，用户基本上是在明确地说：“我们将撤销所有输出，只保留其中一个，以达到有价值的结果。”
Cursor 使得你可以轻松地进行实验，因为即使最坏的情况发生，你只需撤销并继续即可，几乎没有负面后果。Harvey 也很好地做到了这一点。
这个产品是一个在 Microsoft Word 中运行的插件，它实际上集成了原生的 Word API，以便像 Word 中原本的审阅者或编辑那样，进行更改和查看更改。
好了，非常感谢。我想在这么短的时间内讲了相当多的内容。希望这对你有帮助。如果还有更多问题，请随时联系。