深蒸馏 · 直播回看 · 配额批次 9

标题:Agent Mode 的价值不在包办工作,而在把研究、工具与具体任务接起来

直播回看 | 2025.07.18 | 时长未标 | 已深蒸馏 36 / 53
来源:原视频 | @howie.serious | 2025.07.18
直链(在飞书/企微预览里点击可能被拦截,复制到浏览器打开):https://www.candobear.com/detail/l_6879844be4b0694ca0e4c399/4
阅读路径:先读第三组,用案例与评测区分研究、数据分析和办公交付的能力,避免拿一份简陋 PPT 判断整个 Agent;第一组解释它组合了什么,第二组讲怎么交任务,第四组处理长任务与安全边界。只看一组就看第三组,它最直接决定哪些工作值得交出去。
一句话结论:按这场首日测试,Agent Mode 更值得先用于信息研究与数据处理,而不是直接替代高水平的 PPT、Excel 和复杂网页操作;通用入口并不等于各项能力同样成熟。

第一组 · 不是凭空出现的新物种,而是能力重新组合

1.1 新的不是每个零件,而是推理与行动可以衔接

原文在说什么

howie 把 Agent Mode 拆成几个已有模块:Deep Research 负责多步骤研究,Operator 负责浏览器操作,终端执行代码,连接器接入外部资料与工具。它不是把研究报告换个名字,也不是只给聊天窗口加一个按钮,而是把这些能力放进同一个任务过程。

关键是「思考—行动—再思考—再行动」。它搜索资料、读取 PDF、提取数据,再用代码处理;前一步的结果会影响后一步。直播中的活动界面会展示当前步骤,任务结束后还能回放操作。看它有没有价值,要看整条链路有没有完成你的工作,不能只看回复写得像不像人。

讲者同时强调底层模型的重要性:工具相同,不代表执行质量相同。但关于模型供应变化影响第三方产品的议论,是他的判断,不是本场逐项验证过的产品比较。

关键概念
对你的实际应用

Ben哥可以把这套区分用于 ~/.shared-agent/kb/knowledge.py 的后续设计:拟加 build_task_context(),返回任务目标、输入资料、所需动作、交付格式四项,避免把「能找到文章」误当成「能完成蒸馏」。这里只提出接口思路,未读取该脚本,函数名不是现有实现;本轮也不修改它。

1.2 同一段对话,是组合流程的起点,不是质量保证

原文在说什么

直播开场展示的例子,是把一周前 Deep Research 对一本书生成的解读报告接着交给 Agent Mode,要求制作幻灯片。这个任务跑了一个多小时,最后得到可下载、可继续编辑的原生 PPT 文件;但视觉效果明显简陋。

这件事同时证明两点:已有研究可以成为后续制作的上下文;能接续、能导出,不代表成品达到审美要求。讲者还提到,可以在同一对话中切换不同模型与功能,把前面形成的材料继续使用。他期待这种组合产生协同效应,但一天的体验还不足以证明最优组合。

外部资料也是同理。他展示了 Google Drive、邮件、日历、代码等连接入口,但明确说,基于自己大量笔记开展工作的场景还没有测试。连接入口的存在,与私有资料工作流已经跑通,是两回事。

关键概念
对你的实际应用

Ben哥在 ~/.shared-agent/kb/reading.py 后续可拟加 prepare_distillation_input(),把转写正文、场次日期、来源链接和模板要求一起交给写作步骤。要保留原始来源,不能只传上一轮摘要。这是将本场「接续上下文」落到你的文件链路的建议,不是声称脚本现在缺少此功能。

第二组 · 时间杠杆成立的前提,是任务与需求已经讲清

2.1 节省时间不是看它跑得快,而是看替代了多少合格工作

原文在说什么

讲者提出「AI 版的时间杠杆」:不用 AI 时完成任务所需时间,除以用 AI 后完成任务所需时间。他举例,自己做主题研究可能需要十小时,而 Deep Research 用十几分钟,产出在盲看时可能相近,部分方面甚至更好。

这个说法的重点不是一个固定倍数,而是相同任务、相近质量下的时间差。直播没有展示正式的盲评过程,也没有测量每位听众的人工耗时,不能把他的感受变成人人通用的效率指标。

他还引用了在成功率为一半的条件下衡量任务时间跨度的评测概念,并提到模型连续自主运行的竞赛案例。这里要分清:持续运行很久是能力线索,不等于结果合格;跑了一小时的 PPT,仍可能不好看。时间杠杆最终要落在可用成果上。

关键概念
对你的实际应用

Ben哥可在 ~/.shared-agent/kb/STANDARD.md 的后续评估规则里拟增「人工基线耗时、AI 执行耗时、人工复核耗时、返工耗时、交付是否可用」五项。把复核和返工计入,是针对你工作链的应用推演,原文未给完整计时制度;不要只用生成速度给深蒸馏打分。

2.2 好提示词不是堆形容词,而是把研究要求展开

原文在说什么

网友提供的股票研究任务,要求先分析最近一年走势、生成图,再结合图讨论业绩、公司基本面、宏观环境与监管因素,还专门追问与稳定币的关系,最后给出评估。任务用了十八分钟,网友反馈较正面,但讲者也说明自己不炒股,不足以专业判断报告。

这里最值得借用的是任务结构:时间范围、数据图、解释维度、特定问题、最终判断,都事先讲出来。不是随口说「研究一下这只股票」,然后指望模型猜中你的全部关切。

另一个财务案例要求基于公司年报、季报提取过去三年数据,预测未来五年的现金流,并以专业格式交付 Excel。它暴露的问题也具体:没有锁定年份,结果采用了讲者认为不够新的历史区间。需求越能被检查,问题越早能被发现。

关键概念
对你的实际应用

Ben哥可给 ~/.agent-autoloop/report_html.py 拟加 render_research_scope(),在报告开头显示「数据区间、来源、分析维度、重点问题」;缺失项直接显示「原文未展开」,不让渲染器补事实。函数与字段均为后续建议,不涉及本轮修改,也不是把直播中的股票判断移植成投资结论。

第三组 · 案例和评测要对照着看,不能互相冒充

3.1 首日案例证明的是局部能力,不是全面替代

原文在说什么

本场不是宣布「炸裂」,也不是宣布「拉垮」。讲者反复提醒,自己只有当天十来个小时的使用经验,复杂系统需要更长时间探索。他展示的任务既有完成,也有降级,且不同部分的完成质量并不一致。

场景直播中的具体表现可以据此判断什么不能据此判断什么
财务现金流模型约十四分钟生成 Excel,包含历史数据、假设与预测可以把资料读取、计算和表格交付接起来所有公式、年份与财务口径已审计无误
玩偶与卡牌比较研究约四十四分钟生成报告,讲者觉得接近 Deep Research能完成多维比较研究已证明优于专门研究模式
书籍解读转幻灯片跑一个多小时,文件可编辑,视觉效果简陋能交付原生演示文件文件可打开就等于适合正式汇报
股票走势研究约十八分钟,包含图表、因素分析与参考资料明确需求可以组织复杂输出因素解释和预测已经得到专业确认
上海室内文化场馆能做推荐研究,地图列表遇到登录阻碍信息研究与账户操作是两段能力有推荐结果就算地图列表建立成功

财务表格还有一个细节:网页预览出现错误,讲者下载到本地后认为数据显示正常,但他也说没有逐项细看。合适的表述是「预览与本地表现不同」,不能写成「下载即可修复所有公式错误」。

关键概念
对你的实际应用

Ben哥可为 ~/.agent-autoloop/report_html.py 拟加 render_delivery_checks(),分别展示「数据来源可追溯、分析有依据、文件可打开、目标操作完成」的核对结果。没有核对就不能标成功。对知识库报告而言,正文写完与外部交付完成也应分开呈现;本篇本身只交本地 Markdown。

3.2 Benchmark 是选试验方向的线索,不是给你任务的保票

原文在说什么

howie 区分三种判断:拍脑袋、个别案例、量化评测。前两种容易被个人经验和任务选取影响;评测可以补一个视角,但必须知道测的是什么。

他介绍的评测覆盖高难知识题、前沿数学、经济价值任务、数据科学、电子表格、稀缺信息查找和复杂网页任务。其主线是:数据分析与信息获取值得重点探索;办公交付与复杂网页操作,至少在本场展示中,不能按高手水平直接信任。

评测或能力讲者介绍的方向在本场证据里的限制
Humanity’s Last Exam讨论难题作答与工具使用带来的提升转写没有完整记录各模型成绩,不补齐榜单
FrontierMath用前沿数学题观察能力变化数学题表现不直接等于你的业务研究正确
经济价值任务与不同耗时任务中的高绩效人类比较具体任务样本与评审细节,原文未展开
DSBench讲者介绍数据分析、建模表现突出他在答疑中明确说当天没有专门测试数据分析需求
SpreadsheetBench用于解释表格操作仍有差距不能拿数据分析成绩代替 Excel 操作验收
BrowseComp 与 WebArena分别观察稀缺信息查找和复杂网页操作找到信息与完成网页操作不可混为一谈

尤其要保留这个反差:他强烈看好数据分析,但当天并未独立做一轮专门的数据分析测试。看好主要来自所介绍的评测,不是本场已经交出一份经过审计的数据分析成果。

关键概念
对你的实际应用

Ben哥可在 ~/.shared-agent/kb/knowledge.py 拟加 classify_evidence(),为提炼出的判断标记「现场案例、讲者转述评测、个人判断」;在 ~/.shared-agent/kb/STANDARD.md 拟增同名证据分类规则。这样知识库不会把「介绍一项测评」悄悄变成「Ben哥已实测可用」。这只是内容标注方案,不是现有数据结构说明。

第四组 · 长任务需要续接,自动化需要承认边界

4.1 一次跑通,再讨论定时;上下文装不下,就保存交接

原文在说什么

直播提到,某次任务运行足够长后耗尽上下文,系统把已有进度写进一个叫 memento 的笔记,再通过继续执行接上。转写里对名称和上下文容量都有口语上的不确定,能提炼的方法是「保存中间成果再继续」,不是断言某个精确容量一定足够。

任务耗时同样不能当固定承诺。讲者说一般介绍是五到三十分钟,但当天有四十多分钟的案例,也有超过一小时的幻灯片任务。复杂度不同,所需时间会变。

他还展示了 schedule:如果某个 Agent 任务效果好,可以安排每周、每月重复。顺序很重要,原话的前提是找到效果较好的场景,不是先设定时器,再期待它自动变好。原文没有展开重复运行的异常处理与质量复核办法。

关键概念
对你的实际应用

Ben哥可在 ~/.shared-agent/kb/reading.py 拟加 build_resume_note(),记录「已读范围、已形成判断、原文依据、下一步」;cron-jobs.json 的后续任务说明则可拟增「最近一次人工确认结果、重复任务范围」两项。这里只记录设计,不读取或改动调度配置,不新增任何自动运行任务。

4.2 安全限制不是多余阻力,专用工具也没有失去价值

原文在说什么

讲者分析他展示的系统指令时,注意到金钱、个人信息、浏览器安全、工具使用和引用格式受到大量限制。他的解释是:Agent 已经能操作浏览器与文件,行动范围扩大,风险也跟着扩大。直播没有提供可据以重建整套安全规则的完整可靠文本,所以不应照此拼出所谓官方系统提示词。

上海地图任务的失败很具体:接管浏览器后仍无法登录,谷歌不接受这个浏览器环境。最后改做 PPT,是换交付方式,不是地图目标已经完成。这个例子说明外部系统可以阻断行动,模型再会研究也不能保证跨过账户与环境限制。

答疑时,他仍倾向用 Deep Research 做纯主题研究,认为更专一,有限体验中的研究质量也可能更好。Agent Mode 的综合能力,并没有让专门研究工具在本场失去位置。他对未来模型进步抱有期待,但未来能力不是当天证据。

关键概念
对你的实际应用

Ben哥可在 ~/.shared-agent/kb/STANDARD.md 拟增「目标受阻与替代成果分列」规则,在 ~/.agent-autoloop/report_html.py 拟加 render_task_limits(),明确输出「原目标、受阻步骤、替代交付、未完成事项」。这些是从案例推导的本地报告建议,不是新增登录授权,也不把失败写成成功。

与在用工作的关联

以下均为给 Ben哥的后续设计建议;未检查这些脚本的当前接口,也未在本轮实施。

这条里的什么对应你手上的什么具体怎么用
多种能力围绕同一目标组合~/.shared-agent/kb/knowledge.py拟加 build_task_context(),统一目标、输入、动作、交付格式
前序研究成为后续上下文~/.shared-agent/kb/reading.py拟加 prepare_distillation_input(),正文与来源元信息一起传递
时间杠杆需要质量可比~/.shared-agent/kb/STANDARD.md拟增人工基线、执行、复核、返工耗时及可用性记录
明确时间范围与重点问题~/.agent-autoloop/report_html.py拟加 render_research_scope(),显式显示范围与来源
评测不能冒充本地实测~/.shared-agent/kb/knowledge.py拟加 classify_evidence(),区分案例、转述评测、个人判断
长任务保存中间成果~/.shared-agent/kb/reading.py拟加 build_resume_note(),保留进度、依据与下一步
效果较好后再重复执行cron-jobs.json后续任务说明拟增最近人工确认结果与重复范围,本轮不改 cron
替代交付不等于原目标完成~/.agent-autoloop/report_html.py拟加 render_task_limits(),把受阻动作与替代成果分开

原文:@howie.serious《解读 openai 今天刚发布的 agent mode》,2025.07.18 直播回看。标题中的「今天」指这场直播当天,不是本文写作当天。准确录像时长未标,讲者临近答疑时口述已分享约一小时。

本篇依据:仅依据本次提供的转写全文,并参照两份指定样例组织层级与语气;没有访问视频、官网或外部评测,没有复现演示任务。案例耗时来自讲者现场叙述,不是本篇重新计时。

更正与边界:已按上下文统一 ChatGPT、Agent Mode、Deep Research、Operator、Claude 等明显误识别;删除混入的无关栏目口播。评测表现均属讲者介绍,不补完整分数,也不把他对评测方法的推测当事实。订阅配额转写出现「40」与「44」冲突,上下文容量也有不确定说法,均不作为参数引用;上线安排、价格、产品去留只属于当时谈话,不构成当前信息。文件视觉效果差归因于生成路线,是讲者判断,不是技术上的普遍定理。所有脚本函数、字段与规则均为本篇应用推演,不是原文内容、现有接口或已实施修改;原文没有展开的实施与验收细节不作补写。本篇为执行者产出的蒸馏稿,不冒称已获独立验收。

定位:中文深蒸馏,不是逐字摘要。