作为一家上市公司的老板股票实盘配资公司，出门问问创始人、CEO 李志飞在最近的新品发布会上并未亲自讲解产品，而是分享了一场个人的「行为艺术」——一场「一人公司」的实验。
他给自己设定了一个看似不切实际的目标：在几天内，用 AI 工具开发出一个专为 AI 组织设计的「飞书」。
作为上一波 AI 浪潮的实践者，每一次他都走在最前面。2012 年，他离开 Google 科学家的职位回国创立出门问问，立志「用 AI+ 语音重新定义人机交互」，从语音助手、智能硬件到 AIGC。当这一波 AGI 浪潮兴起时，他最初也是很兴奋地积极投入，但很快意识到这似乎是一场巨头间的游戏，中小公司难以创造太大价值，一度感到迷茫甚至沮丧。
然而，他通过使用 AI 编程工具，让自己变身为「一人公司」去实践和体验，实践过程中，他遇到了许多实际问题，但正是这些细节和经历，又让他重新找回了 AGI 的信仰。
他突然发现，过往世界中的种种「摩擦力」，所有构建复杂事物的障碍，仿佛都消失了。
那种与 AI 一同狂奔向前，油然而生的自由感和看到希望的激动，在现场演讲时溢于言表。
以下为李志飞的发布会演讲内容，为便于阅读，经极客公园编辑整理：
我最近投入大量时间在 AI 领域，并亲身实践了许多具体项目。因此，我对大模型和 AGI 有了新的认知和感悟。今天，我想和大家分享一下这段时间以来，我一直在思考的问题以及我的一些感受。
首先，我们究竟应该如何做 AI？
我这里有一个口诀：「用 AI 的 AI 做 AI」。
这听起来有些拗口，简单来说，第一个「AI」指大模型；第二个「AI」是指 Coding Agent，它本身可能也是由 AI 制作的，或者其主要能力源于 AI；最后一个「AI」则是我们自己要做的应用。
我认为这可能会成为一种新的软件开发范式，稍后我会为大家详细展开。
新的软件开发范式｜图片来源：出门问问
一个人，2 天，打造 AI 时代的「飞书」
我前段时间萌生了一个大胆设想：为 AI 原生组织打造一款全新的「飞书」式协作平台。
美国硅谷有许多独角兽企业，仅一两个人团队就能估值数亿美元，也有许多新闻提及 AI 将替代大量工作。
于是我开始思考，作为一家企业组织，像我们在国内高频使用的飞书、钉钉、企业微信等工具，若无它们，我几乎无法开展工作。
在以「人」为中心的传统企业中，我们高度依赖飞书、钉钉、企业微信这类工具，它们承载着信息的快速流动与高效协作。
在传统的企业中，主要的生产力或工种几乎百分之百是人。所以，以往的信息流动和协作都围绕着人进行。
但当一个组织中，10 个工种里有 8 个由 AI 承担，仅剩 2 个人类角色时，现有的协作工具将无法适应。
那么，对于新型组织而言，他们会使用什么工具呢？
因此，我希望能开发一款产品，它能让 AI Agent 之间、以及 AI 与人类之间无缝进行群聊、私聊、知识库问答和任务协作，也期待通过这个项目，验证自己能否成为一个真正的「超级个体」或「个人独角兽」。
接下来是如何执行。
通常，像飞书、钉钉这类软件的开发是极其复杂的。过去，要做这样的产品，通常需要产品经理、设计师、前端、后端、测试以及算法工程师等多个工种。每个工种可能还有负责人，比如前端负责人、算法负责人、产品负责人。通常，拉一个群很快就会有 20 个人。这 20 人并非所有都是全职做这件事，但他们可能需要花费一个月的时间才能做出一个原型。
在 AI 时代，这实在是太慢了。
等我做出来的时候，或许相关的创业团队已经成为 AI 独角兽了。
因此，我决定抛弃旧有模式，亲自上阵，并尝试完全依赖 AI 来完成这项工作。恰逢端午节前夕，我决定沉浸式投入这项工作。当时有三天假期，我想能否利用这三天把这件事做出来。因为只有这样才不会有人打扰。
于是，我便开始了这项工作。
我一个人，连续两天，每天工作到大概凌晨一点多，最终在 6 月 1 日晚上 11 点半，完成了这款产品的原型。它具备登录、私聊、群聊、文件上传、消息转发和回复等核心功能。
登录后，可以选择私聊并发送消息。比如，我们可以问产品经理这个角色会不会脱口秀，如果他不会，我们可以动态调整角色，增加一个技能，AI 会自动重新生成一个 Prompt。
稍后我们再问他，他现在就会了。它还可以上传文件（虽然当时文件内容没有真正读取），也可以转发和回复具体消息。请记住，它背后是一个 AI，并非真实的人。它可以根据你发送的消息进行回答和转发。
转发时，大家可以看到显示效果非常复杂，与微信类似，因为转发中嵌套了其他信息。这是一个群聊，也可以 @ 具体的人。同样，可以转发、回复、添加附件，甚至可以切换成中文。
请大家鼓掌吧，两天时间！
两天时间，我完成了一个带数据库、有前端、有后端、有 AI 算法的系统。刚才的 AI 能够自动回答，当你修改角色配置页面后，它的 Prompt 会自动重新生成，技能也会立刻显示出来。
说实话，刚开始我做了半天就差点放弃了，因为数据库问题搞不定，总是出现各种 Key 错误，AI 编程目前确实存在这类问题。但我最终还是在两天内把它做出来了。
随后，我思考如何推广这款产品。
以前，我们公司会有专门的工程师来做这个网站，市场部会有一群人定义产品亮点，可能五六个人忙活一个星期才能做出一个网站。
但我这次决定采用 AI 原生方式。既然 AI 知道所有代码，它也了解我的所有想法和产品功能，于是我让 AI 做了一个网站。
用 AI 打造的该产品的官网页面｜来源：出门问问
于是，我让 AI 在短短 5 分钟内搭建了一个带有产品亮点和独特功能的网站，又在 5 分钟内为营销活动创建了可配置的广告位。这在过去可能需要多名市场和工程师团队一周的工作量。
以前我们公司的网站，做了一个营销位后，如果圣诞节过了要撤下，或者要更换新的内容，以前又要找工程师折腾半天。我就想，我能不能做一个网站，营销位是可以配置的？
又花了 5 分钟，AI 做了一个可以配置营销位的网站。这意味着营销人员可以登录这个网站，上传图片或其他内容，然后直接修改主网站的相应部分。
做完这些后，我想，因为这是一个全新的产品，它有一些新概念，或者说有一定的复杂度。我能不能制作视频来解释这个网站的功能，无论是营销视频、操作指南还是产品导览。
但是端午节，我的员工是不会理我的。所以我只能自己动手。于是，我又写了另一个程序，它能自动生成整个脚本，包括如何介绍网站、如何操作网站 UI 的工作流程，并进行自动录屏和配音。
虽然声音对齐方面还有些小瑕疵，但整个视频百分之百由 AI 完成。我只需下达指令，它就能自动操作，最终将完成的视频呈现在我眼前。
这让我很有成就感，仅仅几天时间就做出了这个东西。
然后我想看看其他人会如何看待这件事。于是我把代码上传到 GitHub，让我的同事下载下来。但请记住，我们是两个不同的个体，GitHub 并不知道我是如何与 AI 交流并完成这些的。
所以我的同事最终只看到了代码，并在本地运行了它。
当我的同事下载我在 GitHub 上传的代码并运行后，他们对其复杂性和完成速度感到震惊。他们认为这需要数十人几个月才能完成，而当我告诉他们，这是在 AI 辅助下，由一个工程师在两天内完成时，他们的反应是：「This is absolutely insane.」（这简直是疯了。）
他们惊讶于其中包含的 4 万多行代码，这远超我以前在 Google 一天 300 行算法代码的产出。
以前我在 Google，一天写 300 行算法代码（非简单代码），这已经算是高产了。而我最近写了一个通用的 Agent，它在 3 个小时，也就是一个晚上，给我写了 3000 行 Python 代码。也就是说，那 3 小时，而且代码质量绝对比我写的好，里面是没有任何 UI 的纯粹后端逻辑。
换句话说，它 3 小时代码的能力，相当于我以前 10 个工作日的工作量。就是这样一个比例。
所以我就在想，一个人就可以完成一个 Google Translate。以前 Google Translate 是由 20 个全世界最顶尖的博士在那里写代码，写了很久。而我现在，我一个人就可以完成那 20 人的工作量。当年 Google Translate 至少还是一个非常了不起且复杂的系统。所以，我觉得从这个角度来说，所有事情都与以前大不相同了。
我认为，最终 AI 的关键在于你能够构建一个自我进化的 AI 系统。
李志飞的实践心得｜图片来源：出门问问
为了方便测试这个 AI 组织的 App，我又自动编写了代码：左边是网站代码，右边是一个测试框架。然后，它自己就像左脚踩右脚一样往上飞。你们可能觉得这是永动机，确实有这种可能性。当然，它有时也会左脚踢右脚往下跌，也就是会负向循环，也会正向循环。
为了实现这个目标，除了工程师，所有非工程师也能够直接修改我的代码。我又做了各种各样的 Agent。
当然，很多这些都是 Prompt，我只是验证了可行性，并没有达到真正的可部署或产品化。
但我认为，这证明了这个想法，或者说向团队演示这就是我想要的东西，以前可能需要花费大量时间才能弄清楚。现在你直接做一个 Demo 给他们看就好了。所以我认为，即便是一个 CEO，如果你有这种能力，你的产出真的是放大了 100 倍。
踩过的坑
前面是我的经历，接下来我给大家讲一下抽象的理论，希望你们不要睡着，因为这还是非常独一无二的。
我想分享的是在使用 AI 编程时遇到的几个问题。
第一个问题是每个 Agent，即便我没有写 Agent，它仍然需要人工参与。
也就是说，我还是得说「我要写一个这样的 Agent」，虽然你可以参考我旁边的通用 Agent 框架，然后修改一下，再告诉我。但我仍然需要做这件事。有时它总是忘记我的原则，我又要跟它说：「你又忘记我的原则了」，或者「智能到底应该放在哪里？」它仍然存在这些问题。
第二，如果你用过它，它总是喜欢偷工减料。
比如你让它做某件事，明明还需要涉及到后端数据库，但它没做。它完成后就给你写一份很长的报告邀功，说它做完了。我通常看都不看，直接说：「你已经写了数据库了。」它会立刻道歉，然后开始行动。比如我要求它做 AI 时，它经常连远程的 AI 都没有调用，自己写一些 Fallback 或者假的东西。
因为我一看它运行得这么快，就知道一定有问题。我说：「你真的调用了远程的 AI 吗？」它又开始道歉，然后去处理。每次都这样，它还是很喜欢偷工减料，重复的错误更是不胜枚举，我就不赘述了。
另外，我觉得今天的 AGI 事实上做不了超长任务。而我现在的任务很多时候都超过半小时。
我每天消耗的 Token 就是 50 美元。只要我那天想工作，从早到晚它都在消耗 Token。我真的觉得，我完全可以跟它说：「我有一些 Idea，这是我的 Idea 方向，请你帮我完成一个 10 天的任务，帮我赚 500 万美元。」
我认为这并非神话，只是我好像对此没有那么大的吸引力，就没有去做，或者说，因为这可能要消耗自己很多情绪和精力，赚不到钱的时候会很痛苦。
但我就想，它能否连续工作 10 天，你不用干预它，或者偶尔提醒一下方向，它能否工作一个月，甚至一年？
我觉得在不久的将来，达到诺贝尔奖或菲尔兹奖级别的成果是完全没有问题的。
因为我与它交流时，有时会讨论我们以前学过的超级复杂的算法，全世界可能都没几个人研究，它都比很多人聊得好多了。所以，如果你给它足够的上下文和代码，它其实可以进行非常深入的沟通。
回归本质：什么是通用Agent 和智能
接下来，我想跟大家分享一下我对智能和 Agent 的思考。
简单来说，一个 AI Agent 包含两个核心部分：规划器（Planner）和执行器（Executor）。
AI Agent 的结构｜图片来源：出门问问，下同
规划器通常依托大型语言模型，承载了 Agent 的主要职能。它根据任务制定详细的计划。执行器则负责将这些计划付诸实践，无论是编写代码，还是自动化浏览器操作以制作视频。
Agent 的运作是一个持续的反馈循环：
规划: Agent 根据任务制定具体行动方案。
执行: 执行器按计划操作。
获取反馈: 执行过程中，Agent 从环境中获得即时反馈。例如，当 Agent 尝试运行「python」命令而本地实际是「python 3」时，系统会报错，Agent 便能识别并修正为正确的命令。
调整与迭代: Agent 根据反馈重新规划，更新对当前情境的理解（上下文），然后再次执行。
目标达成: 当预设的成功标准（如程序编译通过或测试全部完成）达到时，循环结束。
如果我们思考智能的本质，我认为，智能的第一个本质是进化。
就像人类作为智能体，在特定环境中（无论是社交还是任务执行），通过获取反馈来不断调整自身行为并进行反思一样，AI 也应如此。这种进化是自动的，无需人工干预。Agent 自主建立循环，通过规划、在环境中执行、获得反馈、调整规划并更新上下文，实现持续的自我完善。
在此进化过程中，关键在于：从自身经验中学习，以及 Learn from others，就是所谓的群体智慧，从别人那里学习经验。
智能的第二个本质，我认为是递归。
递归是一种「分而治之」的思想：一个复杂问题被拆解成更小的、相同类型的问题，直到它们可以被直接解决（即「基本情况」）。
例如，计算斐波那契数列的第 99 个数，就是依赖于第 98 个和第 97 个数，直至追溯到初始的 F0 和 F1。
若 Agent 要实现真正的智能，它也应具备递归架构。例如，一个接收「赚 500 万」这样宏大任务的 Agent，会逐步将其分解为具体的子任务：分析商业机会、搭建网站、制作视频、集成支付、社交媒体推广等。每个子任务最终都能追溯到可执行的「原子 Agent」。
这种递归架构的关键在于实现自我繁衍。就像人类文明的传承依赖于一代代人的探索与知识积累，Agent 亦应如此。更重要的是，Agent 必须具备修改自身源代码的能力。
这与当前 Agent 仅仅调整计划不同，它意味着 Agent 能够像修改自身基因一样，根本性地改变自身运行逻辑。
我相信，如果一个 Agent 能够：
持续执行并优化其计划。
在遇到无法解决的问题时，自主修改其核心源代码。
最终通过这种机制形成知识库，甚至能够反向修改大型模型本身。
那么，这将是通向通用人工智能（AGI）至关重要的一步。
这并非科幻。以前我特别不喜欢讨论什么超级智能之类的东西，而是我在与大模型的深入探讨后，我突然觉得这完全是有可能实现的。
另外，真正的 AI 源代码可能极其简洁，核心代码也许不超过百行，但其中蕴含着多层递归，使其能在不同环境中探索、学习反馈并自我迭代。
我曾有过信仰崩塌。2023 年我有了 AI 信仰，但做了一段时间，主要是因为没有资金支持，觉得烧不起，所以就放弃了。去年，别人跟我讲 AI，我都不想听。
但最近我重新找到了对 AI 的信仰，甚至信仰了 AGI，信仰了超级智能。这是一个难以想象的转变。我希望我对这份信仰能够这次持续更久一点。
个性化环境与上下文的重要性
那么，除了大模型之外，最重要的是什么？最重要的是你要有个性化的环境和 Context（上下文）。
以我的创业为例，我之前做了一个智能硬件，结果小米把价格拉到我们十分之一。我做大模型，结果所有大厂都进来了。你每次获得这种反馈之后，就让你放弃这种东西，或者你就不停地调整你的 Plan。
如果在美国，我做了一个大模型，我可能就被 Google 收购了，赚了很多钱。或者我做了一个硬件，我可能被苹果收购了，赚了很多钱。所以这种反馈一定会造就你这个人的行为是完全不一样的。同样一个创业者，同样的智商，在中国和美国不一样的创业环境下，得到的反馈不一样。最后你的行为，你的思考模式就会完全不一样。这就是我想说的，什么是个性化的环境，个性化的上下文。
上下文更多是一个历史的记录。
所以回到我之前讲的，在大模型时代，我是第一批站出来说要做大模型的，但可能也是第一批意识到这不是我的菜。然后，基本上没有全身心投入去做这件事，就是因为我不知道如何参与。
今年上半年时，我更觉得除了全世界那三四个巨头，其他公司都没有资格谈论模型，不要凑热闹，不要浪费你的生命。更不要浪费你的情绪在这里面。因为你根本就没有机会，那完全是在烧钱，而且事实上大模型本身这个东西，我觉得已经变得超级无趣，反正就是烧钱。我找不到切入点，我更不能理解绝大部分 AI 公司到底还有什么价值。
但是这一次，通过实践和重新审视，我觉得哪怕是高大上的 AGI，至少我自己觉得我好像又可以参与了。
所以，这就是 Agent 的 Planner 和 Executor 这个循环迭代的事情。如果你投入足够清晰，你能让智能产生智能，我认为你是可以参与整个 AGI 的过程的。
而大模型本身对你来说就是一个芯片一样。大家想象高通的芯片、苹果的手机，到上面的 TikTok。这是完全不一样的东西。最后反而是做 TikTok 的那家公司获得了最大的价值。
我发现，即使是雄心勃勃的 AGI 目标，也并非遥不可及。通过构建我所设想的递归 Agent 体系，所需资金可能并不庞大，更依赖于创新的智慧。我相信，只要拥有足够深入的思考和技术能力，即便不是行业巨头，也能参与到 AGI 的进程中。
出门问问的历程也印证了我的这些思考。我们自 2012 年起便成为中国首批 AI 公司，从语音助手起步，随后探索智能硬件（如 TicWatch、TicMirror）。虽然经历了市场竞争和技术不成熟的挑战，但我们始终走在最前沿。
2019 年后，我们转向软件，成为中国乃至全球首批 AIGC 软件公司之一。例如，魔音工坊曾为抖音等平台贡献了大量配音内容，我们还开发了奇妙元（数字人视频生成）等产品。
在中国这样的竞争环境中，一家科技公司就像一个不断迭代、自我修正的 Agent。
正如出门问问的「源代码」已与 2012 年初创时大相径庭股票实盘配资公司，这是我们持续进化的体现。
N配资提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
