← 精选
Aaron Levie
我会一直强调：软件开发岗位不会消失。对于技术人员来说，智能体（Agent）是历史上最强大的杠杆。无论是单打独斗、组建团队还是创办公司，现在或许是技术人员实现目标的最佳时代。
我们认为，世界上大部分软件已经构建完成，智能体只是在瓜分现有的存量工作。但事实上，我们将迎来比以往多出 100 倍的软件需求。
想想你常用的那些需要不断优化的 App；想想有多少旧有的本地系统需要迁移到云端；想想有多少中小企业以前请不起开发人员；想想即将被发现并需要修复的无数安全漏洞；想想有多少 IT 部门即将实现以前无法自动化的工作流；想想大多数组织中即将被处理和关联的海量数据。这些都是智能体将要大显身手的地方。
而每一个智能体都需要有人来启动、管理、编排它们，并将它们的输出转化为可用的、有价值的形式。这种人通常需要具备技术能力（或快速掌握技术），这将为所有胜任的人创造巨大的机遇。
智能体编程是软件开发者的巨大福音，能极大提升生产力；它能助力 IT 人员构建更多内部定制化系统；能让领域专家实现工作流自动化或系统集成；对编程初学者而言更是极佳的入门利器。
但它并不适合那种“随手构建”的复杂软件，因为这类软件需要持续维护并承担所有风险。升级、维护、应对安全漏洞等，都是大多数知识工作者并不熟悉也未做好准备的“隐形成本”。
总而言之：未来软件总量将增长百倍，开发者也将大幅增加。但这并不意味着“每个人”都会去自研软件。
永无止境的“最后一公里”。
我发现了一种有趣的“盖尔曼失忆症”变体：人们在用 AI 处理自己的工作时，深知“最后一公里”里还有多少繁琐环节；但看别人的工作时，却觉得 AI 能瞬间取代整个岗位。
我们对自己工作的复杂性与细微之处了如指掌：数据获取的难题、为了让 AI 达标所需的背景信息、对输出结果的校对，以及如何将其整合进业务流程——这些环节我们都看得透彻。
然而，一旦看到 AI 在陌生领域展现出某种能力，我们就会误以为它能自动化整个职能。我们严重低估了让 AI 在那些岗位上同样高效运转所需要的投入。
这正是我们应对许多“失业论”时应保持怀疑的原因。这些理论往往只看到了 AI 自动化单一任务的可能性，却忽略了完成一项完整工作背后所包含的所有环节。
目前导致 AI Agent 让人产生“过度劳累感”的原因，至少有两个重大但微妙的因素：
1. AI 大幅提升了边际投入的杠杆效应，使用这些工具的人对此感受最深。过去我们习惯了任务耗时漫长，投入额外时间带来的价值感并不
好文。AI 为几乎所有领域都带来了前所未有的巨大杠杆作用。
这意味着我们正处于一个历史性的独特时刻：只要在某个领域拥有核心技能和远大抱负，就能打破以往对从业经验的重重限制。
无论资历深浅都适用。最棒的是，现在的职场新人所能做到的事情，远超几年前同级别的水平。善用这一点的人将实现巨大的跨越。
无论是内部挖掘还是外部招募，企业都应将这类人才放在关键岗位，以最大化其价值。这些人看起来可能有些“怪异”或“来自未来”，但他们能帮你洞察趋势。每家公司都应竭尽全力去寻找他们。
“如果 AI 能提高员工效率（这已是公认的事实），那么公司就会追求尽可能多的高效劳动力。这也是我改变观点的关键原因。”
这就是为什么现在理解 AI 领域的“杰文斯悖论”至关重要。
而且反直觉的是，随着 AI 的进化，这一趋势会愈发明显。AI 执行任务的能力越强，公司就能承接的任务就越多，进而会雇佣更多人来处理与之相关的配套工作。
想想那些负担不起复杂软件开发的小企业：当 AI 表现平平，他们感知不到变化；但当 AI 足够强大，他们终于可以雇佣效能提升 5 到 10 倍的工程师，从而真正开始在工程领域进行投入。
能够实现客户情报自动化和主动需求生成的销售团队，会因为潜在客户增多而雇佣更多销售；能够进行高水准视频制作的营销团队，会雇佣视频剪辑师。以此类推。
这种情况将以越来越多出人意料的方式发生。
抱歉，如果你曾以为 AI 会让我们工作变少（至少目前如此）。AI 让探索变得更容易，结果反而让你开始做更多的事情。
我经常遇到一些看似微不足道的小事，最后却耗费了 3 个小时。因为 AI 代理让起步变得轻而易举，但剩下的收尾工作仍需人工完成。
这些工作以前我根本不会交给别人，因为纯手动操作太耗时，导致它们一直被搁置。而且，反直觉的是，随着 AI 变得足够强大，有些任务甚至在经济上变得值得通过雇人来利用 AI 代理持续开展。但在你能够低成本尝试之前，你根本不会去尝试。
这就是为什么 AI 不会像我们想象的那样自动减少工作量，因为工作量并非静态的。大多数公司其实有很多想做却没做的事，只是受限于时间和人力，以前很难开展。
澄清：即将推出！
GPT-5.5 已上线。过去几周，Box 在最复杂的知识工作评估中对该模型进行了测试。与 GPT-5.4 相比，该模型在企业内容任务中的准确率提升了 10 个百分点。
我们针对金融服务、医疗保健、公共部门等行业的真实工作场景进行了多项任务测试，涵盖财务报表、临床记录、政策文件及创意内容。以下是相较于 GPT-5.4 的部分改进示例：
* 金融服务：83% vs. 64%
* 医疗保健：78% vs. 61%
* 公共部门：72% vs. 59%
* 媒体与娱乐：70% vs. 57%
总体而言，该模型在高级推理、数据分析、处理复杂上下文等方面表现大幅提升。总而言之，GPT-5.5 将为企业知识工作智能体带来巨大的飞跃。
该模型现已在 Box AI Studio 上线，客户即日起即可使用它来构建智能体。
这可能是软件“无头化”进程中迄今为止最大的新闻，它将使知识工作智能体走向大众。新的 ChatGPT 智能体可以访问你所需的任何工具和数据，并具备完整的编程和工具调用能力。
例如，一个定制的销售助手智能体可以将 Box 作为知识源，安全地访问企业内容，从而实时回答问题并生成新内容。由于该智能体可以通过 MCP 和 CLI 使用 Box 中的任何工具，其工作流显然可以变得极其复杂。
这正是未来知识工作智能体的样子。你可以通过前台或后台部署它们来辅助工作。对于无头平台，以及企业中所有这些智能体的新构建者和设计者来说，现在正是一个巨大的机遇。
如果你读了这些还不明白现状，说明你需要重新审视现实世界的运作逻辑了。
企业要真正落地 Agent，需要大量的协助。企业面临着旧有技术栈的现代化改造、碎片化工具中的数据、未被数字化或记录的知识，以及为了有效利用 Agent 所需的变革管理。而且与初创公司不同，他们必须在维持日常业务运转的同时完成这一切。
因此，在特定领域和工作流中部署 Agent 蕴含着巨大的机遇（无论是软件还是服务公司）。这不仅是现有服务商的机会，也是大量新兴初创公司的机遇。每一波技术浪潮都会催生出一批能够落地该技术的咨询公司。
这也是为什么 FDE（前线部署工程师）模式在很长一段时间内都会大行其道，因为企业希望供应商能真正协助其新工作流的变革管理与落地实施。
人不会消失，恰恰相反。
从使用聊天机器人到拥有能真正实现流程自动化的智能体，这中间需要投入巨大的工作量。
大多数公司需要设立专门的岗位来为团队引入自动化，而不是让每位员工各自为政。部分原因是这项工作比我们想象的更具技术含量，另一部分原因是它很难作为一项“顺带的任务”来完成。
具体职责包括：规划智能体驱动的新工作流、部署智能体的新系统、确保智能体拥有准确且及时的上下文信息、将内部系统与智能体对接、建立智能体评估机制、设计人工介入环节、管理系统升级，以及协助现有业务流程的变革管理等等。
这些岗位可能来自 IT 或工程部门，也可能直接设在业务部门。根据公司的不同，其名称也会有所不同。从某种意义上说，这类岗位在非科技公司中的爆发式增长，正代表了软件工程的未来。
大多数公司现在或未来都必须招聘此类人才，这是 AI 催生新职业的又一个典型案例。
人们在谈论 AI 带来的生产力提升时，往往忽略了一点：大多数岗位将变得与工具的能力一样复杂。
因此，“当下的工作会被 AI 取代”这种想法是错误的。人们总以为市场是静态的，但事实并非如此。
由于每个人都能使用相同的增强技术，工具的使用者会不断提高产出水平，直到旧有的岗位定义变得不再适用。因此，那些深耕专业领域并不断精进技能的人，将继续保持竞争优势。
当你能做更多事情时，你就会开始应对更大、更难的问题。而要彻底解决这些问题，专业知识依然不可或缺。
借助 AI，工程师的效率和能力将远超试图开发同款软件的非专业人士。开发一个轻量级应用不再是软件开发的及格线；审阅合同不再是法律助理的核心工作；剪辑视频不再是视频编辑的全部；提供基础财务研究也不再是未来金融分析师的职责。
简而言之，由于工具让我们能做更多事，AI 会自然地让大多数岗位变得更加复杂，而非变得简单。
AI 模型迭代如此之快，导致人们不得不频繁地大规模升级 AI 架构，这确实令人惊叹。
如果你在开发智能体（agents），每隔几个季度，你基本上就得弃用大量前期为了弥补模型局
提到软件工程师，人们往往会想到在科技公司开发 App。科技行业的增长已深入人心，以至于我们误以为软件的意义和边界仅限于此。但现在的软件思维已不再如此。
AI Agent 正在让全球各行各业开始为自己的工作流开发软件，实现自动化。这在以前要么技术上行不通，要么成本上负担不起。
无论是生物制药、工业、咨询、银行还是零售业，都将开发更多软件，涵盖后端系统、数据处理、全新的客户数字化体验、端到端工作流自动化等。小企业也能启动以前需要 50 人团队才能完成的项目，现在 5 人即可胜任。企业也会开始招聘工程师，来驱动 Agent 并重构业务流程。
这一切都需要具备技术能力的软件人才。工作重心将转向系统设计、平台对接、指导 Agent 进行自动化、系统维护与升级、审核 Agent 输出结果等。
我出于好奇看了看礼来公司的招聘网站，竟然发现他们设有“实验室自动化软件工程师”这一职位类别。未来，每一家公司都会出现这类职位……
在一个智能体使用工具的频率比人类高出 100 倍的世界里，软件“去界面化”（headless）是必然趋势。事实上，对于许多软件而言，这反而极大地拓展了其应用场景。
传统的软件商业模式很大程度上基于按席位收费，而软件的使用率受限于人类每天的工作量。这意味着，相对于技术本身能为客户提供的潜力，现有技术往往被严重闲置。
智能体的出现改变了局面。它们可以全天候工作、并行运行，并跨系统串联任务。这意义重大，因为智能体能发挥出工具远超人类的效能：它不再是一个个审查合同，而是审查全部合同；不再是手动在营销系统间迁移数据，而是让你开展 10 倍规模的营销活动；不再让客户入驻流程受限于人工步骤，而是实现流程加速。
智能体对底层平台的使用频率远超人类，从而开启了以往平台无法触及的应用场景。
虽然并非所有软件市场在人机协作中都能产生同等的正和效应，但我认为，很大一部分“记录系统”（systems of record）的使用率可以远超现状。例如，你的 Salesforce 数据可以被挖掘出 100 倍的价值，从而实现更广泛的定制化……
未来，智能体对软件的使用频率将是人类的100倍。因此，企业平台将走向“无头化”，能够与平台内外任何智能体协同工作。如果不这样做，企业将胎死腹中。
有些人忽略了，这将为平台创造远超 AI 时代之前的应用场景。这并非零和博弈。传统软件的价值上限受限于公司内的用户规模，而智能体则没有上限。
我们将利用智能体以人类无法企及的规模处理数据，它们将全天候并行运作，并能跨系统整合工作流，从而创造全新的价值主张。
一旦你接受这一逻辑，就会发现其中的增长潜力是多么巨大。
新的 Codex 标志着知识工作者所使用的智能体形态又一次实现了飞跃。这些具备编程、工具操作和电脑使用能力的智能体，可以开始在后台为各类工作执行长时任务。
这意味着它们可以起草报告、为并购搭建数据室、审查合同、协助客户入驻、生成营销素材、处理发票等等。
借助新 Codex 中的 Box 插件，你可以开始自动化处理几乎所有涉及企业内容的业务。更重要的是，跨应用协作带来了巨大的杠杆效应，因为我们现在可以更轻松地将各种工具连接起来。
为什么 AI 会在众多行业创造更多就业？因为我们会利用 AI 加速某一环节的产出，但最终会在流程的其他环节遇到新的瓶颈，而这些瓶颈仍需人工介入。
《金融时报》举了一个显而易见的例子：越来越多的人向 AI 代理咨询法律问题，这最终会导致律师处理的咨询量激增。其他驱动因素也包括：AI 加速新企业的成立、专利申请的增加、科学研究的突破等——所有这些最终都会落到律师和其他监管职能部门的头上。
这种逻辑也适用于许多其他领域。代码量增加意味着安全风险增加，从而需要更多的安全研究员；医疗领域自动化患者转诊，只会导致医生短缺的瓶颈；通过 AI 进行更多的客户触达，则会带来更多的销售对话。类似的类别不计其数。
在很多领域，AI 确实会带来“效率”提升，即通过自动化某些环节来降低成本。
但价值提升总有尽头，因为世界并非静止不变。你的竞争对手会利用 AI 开发更好的产品、接触更多客户、提供更优质的服务、投放更精准的广告，你最终必须跟上他们的步伐，否则就会被淘汰。
由于在企业规模化部署 AI Agent 需要大量实际工作，由此可以推论：前线部署工程师（或未来类似的称呼）这一角色在短期内不会消失。
当供应商向企业销售 Agent 时，你卖的不再仅仅是一个“安装即用”的软件工具，而本质上是在销售由该技术驱动的实际工作流。这与传统的软件实施相比，更接近于客户向专业服务公司购买服务。
这几乎总是需要对客户所属领域有深入理解，能够帮助客户打通系统以支持 Agent，确保所有上下文配置正确，并协助进行变革管理，从而让公司真正调整其业务流程。
能够跨客户实现这一点、总结特定行业和细分市场的最佳实践、并将新需求反馈给产品研发，将是核心竞争力。企业无法通过捷径完成这些工作，供应商必须承担大量此类工作，否则将面临采用率低下的风险。
最后，这对现有及下一代的专业服务公司来说是一个巨大的机遇。各大系统集成商和咨询公司都在涌现全新的业务领域来专门处理这类工作，且这种需求在未来很长一段时间内都会持续存在。
我与企业聊得越多，关于AI智能体转型，就越发意识到未来大多数企业都会出现一种新角色：团队中的“智能体部署与管理人员”。以下是初步的职位描述：
此人需要找出团队中（无论是现有还是新增）最具杠杆效应的工作流，即智能体能够为团队和公司创造显著价值的环节。
通常，这些领域只要投入算力（以智能体的形式），就能实现100倍的执行速度提升或100倍的任务量增长。例如：处理数量级增长的潜在客户线索并附带客户信号移交给销售；自动化合同审查与录入流程；简化客户入驻流程以减少摩擦；构建全公司通用的知识库等等。
此人的职责是设计驱动这种新型自动化的未来工作流，并连接现有或新的各种系统以实现目标。工作的难点在于：梳理结构化与非结构化数据流、设计理想的工作流、为智能体提供必要的上下文信息、确定人机交互的环节与时机、在模型或数据发生重大变化后进行评估与复核，并运行和管理……
又是一周的出差，与来自银行、媒体、零售、医疗、咨询、科技和体育等行业的数十位大型企业 IT 与 AI 负责人，共同探讨企业级智能体（Agents）。
核心观点如下：
* **从对话到执行**：趋势很明确，AI 正从“对话时代”转向“智能体时代”，即能够使用工具、处理数据并执行实际业务。与此同时，企业的应用模式也正从“百花齐放”式的广泛尝试，转向针对特定业务领域和工作流的有针对性的自动化。
* **变革管理仍是核心挑战**：现有工作流大多无法直接接入智能体，企业需要大量内部及外部合作伙伴的支持来推动转型。例如，某公司在每个业务单元都设立了 AI 负责人，并向中央团队汇报，以确保各职能部门的协同。
* **Token 成本优化（Tokenmaxxing）**：多数公司的运营支出（OpEx）预算已提前锁定，因此目前正就如何分配 Token 预算进行激烈的权衡。有公司甚至提出了类似“鲨鱼坦克”式的竞标机制来申请算力预算；也有公司试图通过某种“需求层次结构”（非官方术语）将算力分配给内部最具价值的场景。
* **修复遗留系统**：修复碎片化和遗留系统仍是当前的重中之重。大多数企业仍需应对长达数十年的本地化系统……
网络安全是另一个即将迎来“杰文斯悖论”时刻的职业领域。
“与直觉相反，我认为更强大的安全 AI 工具会增加而非减少对安全人才的需求。自动化漏洞利用技术可以实现‘验证’环节的自动化，但无法实现‘响应’环节的自动化。发现真实漏洞的速度越快，就意味着需要进行更多的分级处置、修复工作，以及更多需要人类判断的架构决策。”
AI 将生成多出 100 倍的代码，随之而来的是安全漏洞发现量的激增。AI 是应对这些新威胁和风险的唯一手段，但仍需要专家在另一端来管理整个流程。这将为人才带来巨大的机遇。
这张图清晰地展示了数据中心的需求规模。亚马逊过去三年的资本支出甚至超过了其成立以来的总和。
目前，大多数 AI 应用仍集中在相对节省 token 的聊天工具上。相比之下，编程智能体消耗的 token 量要高出几个数量级，但目前用户规模还很小。
类似的消耗模式即将蔓延到其他知识型工作领域。智能体对 token 处理的需求，可能比我们现在的认知要高出数百倍。
预计这些图表的数据将持续呈爆发式增长。
未来律师的数量可能会比现在更多，原因如下：
1) AI 会引发海量的法律咨询，进而促使人们需要通过专业律师进行核实或执行。
2) AI 会催生大量新兴法律术语，律师将花费更多时间审查修订文本或处理相关新案例。
3) AI 在各行各业的应用正催生全新的法律领域。它在所有垂直行业都带来了知识产权、隐私保护和监管合规方面的巨大挑战。
这也有历史先例。在个人电脑和互联网普及期间（这两项技术都极大提升了法律行业的效率），美国律师协会的数据显示，执业律师人数从 1975 年的约 40 万增长到了 2025 年的约 137.5 万。
当我们提高某个职业的效率和自动化程度时，其需求往往会随之增加，而非减少。
接触的非技术行业企业 CIO 和 AI 领袖越多，我就越清楚：如果你的软件没有出色的“无头模式”（headless mode），未来几年将面临巨大风险。
我询问了来自银行、媒体、金融和医疗行业的 20 位 IT 负责人，问他们 3 到 5 年后是否还会使用那些没有完善 API 能力的供应商，得到的回答是一致的“不会”。
这显然将改变软件的本质。你必须能够像通过自有界面一样，通过平台内外或平台内的智能体（Agent）来传递你的价值主张。由于这一趋势势不可挡，我预计大多数平台都能挺过这场变革，但那些视而不见的人肯定会掉队。
但硬币的另一面是机遇：在一个智能体处理软件工作的频率比人类高出百倍的世界里，将涌现出更多应用场景。如果你掌握了核心数据或工作流，由于客户使用你的方式变得更加多样，这在某种程度上将是一场“复兴”。
这必然会推动商业模式的演进——无论是将智能体使用纳入席位授权，还是转向按量计费——但资金永远会流向价值创造
我认为大家严重低估了那些“非软件领域”对软件和自动化的总需求。我指的不是手机上的又一个 App，而是那种能全天候为企业自动执行任务的软件。
由于复杂度高或成本过大，大多数公司一直无法在多数业务领域实现自动化。除了科技公司或大型银行，其他企业并没有取之不尽的工程师资源，必须精打细算地分配资源，导致大多数项目都无法获得资金支持。
此外，许多项目之所以从未开展，纯粹是因为技术手段尚无法解决问题。例如，在 AI 出现之前，任何涉及非结构化数据，或是在处理具有高度变动性的系统间连接数据流的任务，几乎都无法实现自动化。
而这正是新软件和自动化将大显身手的地方：在消费品和零售业连接营销技术栈；在制药研究领域，由于可以自动化更多的测试和模拟，该行业将迎来爆发；银行家和投资者对每种情景的分析量将增加 10 倍；医疗机构也将把自动化引入流程的每一个环节。
现在，随着 AI Agent
认为提示词没用，就好比认为给刚入职的新同事下达清晰指令没用一样。“提示”应当涵盖为智能体提供完成任务所需的一切信息。这是一种高杠杆行为。
让智能体获得开展工作所需的正确上下文，将是未来十年的核心 IT 挑战。任何智能体战略的成败，都取决于其获取正确数据和系统进行决策的效率。谁能解决这个问题，谁就将迎来巨大的机遇。
目前，我们对智能体的认知主要局限于对话交互，但 Token 的最大消耗将来自于那些始终在线、在后台持续工作，或由工作流触发的智能体。
智能体将 24/7 全天候嵌入我们的工作流中：处理数据、审阅并生成文档、在系统间迁移数据、编写代码、加速决策流程等等。
在 Claude 新推出的 Managed Agents 功能中，你只需几分钟就能搭建一个智能体：当合同进入 Box 时，它会自动读取并审阅，随后提取关键信息并在 Linear 中创建任务。
这种模式可以应用于任何工作流，例如客户入驻文档审阅、发票处理、并购尽职调查、数据提取流水线，以及数百万种其他场景，实现跨系统的各种数据集成。
这一切的前提是，智能体必须能够准确地在后台长时间运行并完成实际工作。智能体
知识型工作的后台智能体已上线。通过 Box API 或 MCP，结合 Box + Claude 管理式智能体，你可以实现任何内容工作流的自动化。只需 2 分钟，即可完成文档审查、数据提取或将内容接入其他 IT 系统。真是个疯狂的时代。https://t.co/zfIYubDJye
Anthropic 的 Mythos 再次明确提醒我们，模型能力的进步目前完全没有遇到瓶颈。它在关键基准测试中实现了显著的双位数增长，而且看来其他实验室也将持续带来惊人的飞跃。
代码编写和工具使用能力的提升，将直接带动智能体工作流的发展。大多数知识自动化的核心瓶颈在于模型能否推理复杂任务、能否使用正确的工具处理数据、能否获取准确的上下文，以及能否通过编写代码来处理和验证数据等。
前沿实验室展现出的持续上升的能力曲线，将为金融、医疗、法律、咨询、供应链等领域开启全新的应用场景。
务必确保你正在构建的产品能够利用这些即将到来的进步，否则你将在战略上陷入困境。
我们在 AI Agent 辅助编程中见证的生产力提升，正向其他知识型工作领域蔓延。
这标志着从“聊天机器人”到“
当你让智能体替你干活时，工作只是上升到了更高的抽象层级。
现在的任务变成了：思考该让智能体做什么、确保指令准确、为任务提供必要的上下文、在它跑偏时进行干预、审核最终成果，并将输出整合到其他工作中。其中任何一个环节出差错，产出的成果就会毫无价值。
即使智能体能处理长周期任务，这些步骤也不会消失。事实上，任务越长，规划和审核阶段所占的时间就越多。你现在成了编辑、管理者和制片人。审美、对专业领域的理解以及最终的技能，都依然至关重要。
AI 智能体并没有改变这一切。我们将把工作中烦人的部分自动化，保留更有趣的部分。工作依然存在，只是形式变了。
AI 提高效率所催生的技能需求，远多于其取代工作的领域。这就是为什么关于 AI 取代工作的预测不会如传闻般发生。
AI 让编写代码变得更容易，这意味着我们将把代码应用到业务的更多环节中。我们将为以前不具经济效益的任务构建自动化和软件，例如营销自动化、客户入驻、旧系统现代化、对现有数据进行更深入的研究等等。这需要更多的工程师。
软件的大量增加意味着安全风险也会激增，这将需要更多的人来思考系统安全、合规性和治理问题。过去这类工作主要靠人工，只有大公司才负担得起。AI 将让
我们在 AI 领域必须面对的一个核心问题是：即使是世界上最先进的模型，也无法掌握所有必要的知识，因为每个人的使用场景和工作流设计各不相同。
更重要的是，在企业级应用中，每个人对公司知识和信息的访问权限都截然不同。即便是在同一家企业内部，要在模型层实现持续学习也几乎是不可能的，因为每个用户掌握的信息和权限都与他人不同。
这不像编程，大多数开发人员通常都能获取工作所需的全部资料。但在同一个银行团队里，不同银行家被允许查看的文件也完全不同。数据脱敏很难，而让模型学会保密更是不可能。
因此，在实际应用场景中，上下文层（context layer）将始终是 AI 技术栈的核心，它是将通用模型转化为实用智能体的关键。这是客观规律，无法违背。
随着 AI 模型调用工具的能力不断增强，且上下文窗口在扩
构建 AI Agent 的一大教训是：在架构设计上必须极其“冷酷无情”。
随着模型处理能力不断增强，许多曾经需要通过“脚手架”来支撑的功能变得不再必要。为了获得性能提升，你必须果断抛弃旧的技术方案。
构建 AI Agent 的大致循环如下：
1. 在 LLM 周围构建一系列系统，以确保 Agent 能出色完成特定任务。
2. 模型能力大幅提升，导致许多系统变得多余甚至有害。
3. 移除旧的脚手架，释放 Agent 的新性能。
4. 模型涌现出新能力，让你能解决更难的一系列问题。
5. 回到步骤 1。
以我们的新 Box Agent 为例，从最初设计架构到最终发布，我们不得不不断迭代 Agent 框架的多个组件，因为随着模型的进步，部分旧组件反而成了 Agent 的束缚。
模型在复杂推理、工具调用（如搜索）、即时编写代码以实现新功能、以及优化上下文窗口性能以提升准确度等方面，都在持续变得异常强大。
我们曾为 Box Agent 设计的许多缓解方案（
AI 的应用呈现出两种截然不同的景象。一端是目前大多数用户通过聊天工具与 AI 交互；另一端则是人们开始部署智能体来执行长时任务，从而产出实际的工作成果或实现工作流自动化。前者非常有用，但……
人类的认知能力是有极限的。即便你不需要事无巨细地监督，大脑能同时处理的信息量也是有限的。这就是为什么当规模达到一定程度时，需要设立团队经理，再设立管理多个团队的经理，以此类推。公司……
隆重推出全新的 Box Agent。Box Agent 贯穿您的整个 Box 文件系统，在严格遵循原有安全与访问控制的同时，针对企业内容进行了深度优化。这意味着您现在可以基于所有企业内容进行提问和搜索：https://twitter.com/levie/status/2039722279014432932/video/1
如果 Soham 现在就摊牌，说他正在开发知识型 AI Agent，这周末就能按 1 亿美元投前估值完成融资。
特斯拉的这项使命非常酷，显然他们已具备实现它的基石。将稀缺变为丰富，应当是所有科技公司的目标。
机器人领域是不是就在一个月前发生了什么变化，才让这一切成为可能？太疯狂了。
Grok 3 表现非常强劲。这有力地证明了规模法则并未失效。非常看好 AI 的未来。
这张图太惊人了。AI 促成了史上可能增长最快的软件产品的诞生。
这台机器将制造世界上大部分的智能。https://twitter.com/levie/status/1876039932504056225/video/1
https://twitter.com/levie/status/1873527382637977905/photo/1
高技能移民是美国领跑全球科技的关键。
对高技能移民最大的误解在于，人们认为科技及其相关领域的市场机会是零和博弈。这本质上是将创新想象成...