当Claude Code的Opus模型让小米大模型团队负责人连续沉浸4小时时，一个AI Agent的新范式正在崛起。这不仅仅是一次工具升级，而是从被动响应到主动执行的思维革命。本文将揭示Agent框架如何让中等模型实现顶尖性能，分享小米团队从100轮对话实践到组织重构的实战经验，为产品经理、管理者和开发者提供从认知到落地的完整行动指南。

撰写来源：基于小米大模型团队负责人罗福莉访谈整理

2025年春节，小米大模型团队负责人罗福莉经历了一次让她至今难忘的技术体验。

她打开了接入了当时最强Opus模型的Claude Code，本想简单试用，却从凌晨2点沉浸至清晨6点，浑然不觉时光流逝。

这并非又一个”AI很厉害”的寻常故事。接下来的三天，每一天的体验都发生了质的飞跃：

第一天，她感受到的是产品设计层面的震撼——富有温度的交互，宛若一位真正的思维伙伴；第二天，Agent开始融入工作场景——协助构思团队管理方案，其建议的周全程度超越了许多资深管理者；第三天，它直接推动了她的研究——协助构建训练数据Pipeline，这项原本需要小组数周完成的工作被大幅加速。

“这不是工具的升级，这是范式的跃迁。”她在播客中如此总结。

本文并非再次讨论Agent是什么、为何重要——此类文章已汗牛充栋。我们的目标，是将罗福莉及小米团队在拥抱Agent过程中积累的真实实践、踩过的坑、做出的关键判断，提炼成一份你能从下周起即刻应用的行动手册。

如果你是产品经理，你将明白如何让AI Agent成为你的”超级实习生”。 如果你是管理者，你将懂得如何引导团队不止”使用AI”，而是”被AI重塑”。 如果你是开发者，你将找到从”API调用者”转变为”智能体构建者”的清晰路径。

一、认知重塑：理解”Agent时代”的核心逻辑

Agent并非”更聪明的聊天机器人”

首先需要对齐一个基本认知：Agent与你熟悉的ChatGPT式对话是两种截然不同的范式。

ChatGPT式对话遵循”你问，我答”的模式。它像一位知识渊博的图书馆管理员，但只能被动响应。

Agent则接受”你给我目标，我来搞定”的指令。它如同一个主动的实习生，能够自主拆解任务、调用工具、尝试不同方案，并在遇到问题时主动求助。它具备目标感、行动力与记忆力。

举个产品经理都能理解的例子：

你对ChatGPT说：”帮我分析一下这份用户反馈。”它会给你一段分析文字。

你对Agent说：”帮我处理这批用户反馈。”它会自动分类反馈类型、提取高频关键词、在你的Jira里创建对应的issue、起草回复模板，最后生成一份包含优先级排序的分析报告——整个流程自主完成，只在关键决策节点请你确认。

罗福莉给出了一个精辟的定义：”Agent框架不仅是产品，更是人与模型之间的’中间层’。”这个中间层的核心作用在于——弥补模型的固有短板。

为何”中等模型+强框架”能逼近顶尖模型？

这是认知重塑中最关键的一环。

纯用GPT-4或Claude等顶尖模型，你会发现它们虽强大，却存在明显局限：规划能力弱，面对复杂任务难以自主分步规划；工具使用笨拙，无法直接调用API或操作文件；记忆不可靠，在长对话中易”遗忘”先前约定。

Agent框架的本质，是为模型装配”扩展坞”——以任务拆解引擎弥补规划短板，以工具集成层赋予模型实际操作能力，以记忆管理系统维持上下文的一致性。

由此得出一个关键结论：一个成熟的Agent框架搭配中等模型，能在约85%的实际场景中逼近顶尖模型的效果。成本可能仅为十分之一。

这意味着，Agent时代的竞争壁垒不在”谁用了最贵的模型”，而在”谁构建了最聪明的框架”。

二、行动起点：从”旁观者”到”深度使用者”

“实践密度”：你应该设定的核心KPI

访谈中一个细节令人印象深刻：小米大模型团队强制每人每日完成100轮对话。

100轮并非目的，而是手段。其本质是强制提升”实践密度”——即在单位时间内，与新范式进行真实碰撞的次数。

许多人认同Agent的重要性，但一个月仅尝试3-5次。如此密度下，无法真正理解其潜力与局限。

建议的实践密度阶梯目标：

第1周：每日20轮以上，建立基础体感； 第2周：每日50轮以上，探索多样任务类型； 第3周起：每日80-100轮，自然形成”Agent优先”的思维习惯。

三阶段体验法

罗福莉的三日体验路径极具参考价值，我们将其扩展为可复制的”三阶段体验法”：

阶段一：感受交互（1-2天）

目标：打破”这只是工具”的认知。

让Agent以不同风格创作内容，感受其创意能力；要求其扮演一个角色与你深度对话；让它为你的一个棘手问题提供全新视角。关键观察点：它的创意是否有”灵光一现”之感？对话是否让你暂时忘记对方是AI？

阶段二：替代工作（3-5天）

目标：建立”它确实能干活”的信任。

提供一份行业报告，要求5分钟内生成结构化摘要；让其起草一封需要平衡多方利益的跨部门沟通邮件；提供会议纪要，要求提取所有行动项并按人员分组；让其分析运营数据，找出异常点。

关键记录：在哪些任务上它”远超你的速度”？哪些”能做但需你修正”？哪些”完全无法胜任”？这份记录将成为你后续判断Agent适用场景的核心依据。

阶段三：推进研究（1-2周）

目标：让Agent成为你的”思维伙伴”。

让其辅助竞品分析：给定主题，找出关键信息并形成对比矩阵；让其扮演”魔鬼代言人”，在你做出重要决策前挑战你的所有假设；让其协助构建一个从数据采集到可视化的完整分析流程。

从何处开始？

快速体验路径（1-2天内感受震撼）：

• Claude Code：当前Agent体验的天花板，适合”先感受上限”
• Cursor：若主要进行编码工作，这是最顺手的入口

深入实践路径（1-2周内开始构建自己的Agent）：

• Dify、Coze：低代码Agent构建平台，产品经理也能上手
• LangChain、LlamaIndex：轻量级开发框架
• OpenClaw：开源Agent框架，可深度定制

三、实战进阶：哪些场景适合交给Agent？

场景评估矩阵

并非所有任务都适合Agent化。以下五个维度可以帮你快速判断：

评估维度 → 适合Agent化 / 不适合Agent化

重复性 → 高频、模式固定 / 每次皆为全新 步骤复杂度 → 需5-15步、流程清晰 / 一步完成或步骤不可预知 容错率 → 出错可重来、有验证机制 / 出错后果严重且不可逆 可验证性 → 结果质量易判断 / 结果优劣依赖主观感受 工具依赖 → 需调用多个系统或API / 纯思考或纯手工操作

具体场景举例：

高适合度：自动生成测试用例并执行；用户反馈自动分类和回复；代码审查；多源数据处理与报告生成。

中等适合度（需人工复核）：技术文档撰写；简历初筛；常见问题客服。

暂不适合：法律合规最终决策；需要深度同理心的人际关系处理；高度创新的产品战略制定。

避坑指南：来自一线的三个教训

教训一：试图用一个Agent解决所有问题

症状：Agent的指令越来越长，工具越来越多，但表现越来越差。 解法：采用多Agent架构，每个Agent只负责一个明确子任务，类似”微服务”之于”单体应用”。

教训二：忽视Agent的”幻觉”与错误

症状：Agent自信地调用不存在的API，或对数据库执行了错误的操作。 解法：关键操作添加”人工确认”节点；建立沙箱环境让Agent先在隔离环境中执行；记录所有决策日志便于回溯。

教训三：低估工程复杂度

症状：以为”只是调个API”，结果在环境搭建、工具可靠性、错误处理上耗费数周。 解法：为Agent开发分配专门的工程资源。一个可靠的Agent系统，至少需要一名全职工程师维护。

四、模型选择：为Agent挑选合适的”大脑”

模型并非越大越好

许多人直觉认为Agent必须用最强模型。但事实是：在强大的Agent框架下，中等模型的性价比远超顶尖模型。

原因很简单：Agent框架已将任务拆解为小步骤，每一步无需”绝顶聪明”；最强模型价格可能是次强的5-10倍；许多场景下响应速度比智能深度更重要。

选择逻辑：思考型任务（架构设计、复杂推理）用强模型；执行型任务（调API、查数据、归档）用中等模型；同一Agent的不同环节可用不同级别模型。

开源模型怎么选？

以DeepSeek和Qwen为例，代表了两种路线：

选择DeepSeek类模型：团队技术实力强、追求极致性能、对成本极度敏感。 选择Qwen类模型：团队侧重应用层开发、需要丰富的生态支持和社区方案、业务需要多模态能力。

罗福莉的建议：”不要迷信任何单一模型。在Agent框架中，模型是可插拔的。保持灵活性。”

五、组织进化：打造拥抱Agent的团队

管理者行动清单

第1-2周——文化先行： 在团队会议上公开分享自己使用Agent的体验（包括失败经历）；设立”Agent最佳实践”周分享环节；明确传达”拥抱Agent是团队核心能力要求”。

第3-4周——流程再造： 审查3个关键工作流；识别其中重复性高、适合Agent化的环节；选择1个试点进行改造并记录前后对比数据。

第2个月——资源倾斜： 为Agent探索分配专项预算；允许团队成员每周有1-2天进行Agent实验；将”Agent化改造”纳入项目OKR。

学习小米”反直觉”的组织设计

小米大模型团队的组织方式挑战了许多传统管理认知：

“无职级、无组别，完全扁平”——百人团队无Leader，无人指派任务。这在技术极速变化的领域，避免了层级结构对创新的拖累。

“筛选标准：热爱驱动>经验背景”——他们已开始招募大二、大三本科生，因其”思维未被固化”。基础能力+好奇心+多样性，比经验重要得多。

“环境>经验：2-4个月可快速培养”——与其高薪挖角AI专家，不如创造优良学习环境，让现有成员快速成长。

学习路径建议

开发者路径（6个月）： 第1个月深度体验，每日100轮对话；第2-3个月学习提示工程和Agent框架；第4-5个月学习数据构造和对齐评估；第6个月阅读源码，深度定制。

管理者路径（3个月）： 第1个月亲身体验，完成三阶段体验法；第2个月理解技术边界，与技术骨干深入交流；第3个月设计Agent赋能路径，形成可执行的改造方案。

结语：在确定的趋势中，做不确定的探索者

罗福莉在访谈最后说道：”每天都在否定昨天的自己。”

这并非谦逊，而是这个时代对每位从业者的要求。

六个月前认为不可能的事，如今或许已有人开源了代码。三个月前引以为傲的方案，现在可能已被更优雅的架构取代。

Agent并非终点，AI的进化也不会止步于2026年。但有一点是确定的：从”模型使用者”到”智能体构建者”的范式跃迁，正在重新定义价值创造的边界。

你现在要做的，不是旁观、学习、等待。

而是从明天开始，打开一个Agent产品，真正开始那100轮对话。

在行动中犯错，在错误中理解，在理解中构建。

做符合价值观的事，而非追求精确的目标。这是罗福莉的新座右铭，也赠予你。