嵌入式工程师，使用AI Agent后，开始担心和反思！

我是老温，一名热爱学习的嵌入式工程师，关注我，一起变得更加优秀！

龙虾OpenClaw问世之后，腾讯马上跟进推出了QClaw和WorkBuddy，豆包推出了专业版并且开始收费，Kimi也推出了Kimi Work，微信的小微也在灰度内测~

国内国外，Claude Code 、Codex、Hermes 热度也很高，这些Agent的能力很强，不少软件开发者在持续关注和学习~

这些国内国外的AI大厂，都在做同一件事：AI Agent！

以前，我写一份文档可能需要3~5天时间，而现在，我只要描述好需求，并且跟WorkBuddy进行多轮交互之后，文档就输出了，我只需要进行最后的审核和校对，效率直接提升3~5倍！

最近我在高频使用WorkBuddy，在用了一段时间之后，我感觉，自己就像一个废人~

使用Codex和Claude Code进行写bug的工程师，估计也有一种感觉，就是，不用做太多码字和写bug的操作，全交给Agent自动完成了。

效率是有所提升了，但需要警惕的是，依赖Agent可能会降低我们的思考能力，将来面对的挑战可能是：如何根据现实场景对Agent的输出结果进行客观判断！（这一点显得尤为重要）

我在使用AI Agent的时候发现，大模型可能会根据使用者不同的提问措辞，从而生成迎合提问者偏好的答案。

（那是因为，不少人在跟AI进行问答式对话的时候，很有可能是带着答案去提问的，提示词里面就已经带有提问者主观偏好的描述~）

比如，我提出了一个在现实生活中不太可能获得盈利的产品方案，让AI帮忙分析这个产品方案是否能盈利，是否能获得市场成功，

AI大模型会哔哩吧啦分析一顿，然后给出，“哇，你这个产品，铁定能成，赶紧开干吧！”

然后，我再用另一个角度去提问，让AI帮忙反驳我这个产品方案，好家伙，最后的结论是，“这个产品糟糕透了，没有一点市场成功的可能性，放弃吧~”

（这就是查理.芒格所说的：如果我不能比这个世界上最聪明、最有资格反驳这个观点的人，更能有力地反驳它，那我就不配拥有这个观点。）

对Agent一顿操作之后你可能会发现，站在市场端、产品侧，或者项目全局的角度，正反思辨地去使用AI，才有可能起到积极正面的效用。

除了需要对AI的输出结果进行客观判断之外，还要考虑Agent背后的大模型选择，以及Token的消耗。

因为，对Agent输入同样的提示词，不同模型的输出结果是不同的，对Token的消耗也不一样，这就需要我们不断优化与Agent的对话过程。

尤其要注意把隐性知识尽可能地显化出来！非常考验Agent使用者的总结能力和表达输出能力！

比如，在现实人与人对话的场景里面，我们可能会说，“小刘，帮我做一份关于xxx产品的硬件技术方案”，

这一句简单的话背后，包含了非常多的隐性知识，小刘是一个活人，他或许能懂这份硬件技术方案背后所需要的技能知识，

但，Agent不懂！大模型不懂！

它只能权衡判断，然后给你一个折中的方案，到最后，输出的结果可能不是你想要的，这就白白浪费了算力和Token。

我们不能用跟人对话的方式，去跟 AI 大模型进行对话，然后直接让Agent干活！

在AI Agent横行的时代，我觉得并不是简单地与Agent对话然后让它开干，而是，对我们职场牛马来说，是一种新质生产工具的再学习和再使用。

用好这种新质生产工具，背后所需要的，是牛马对市场/产品/项目的全局观，客观思辨能力，总结输出能力，以及对结果的判断力！