矽谷科技圈爆紅的Agent Teams怎麼運作？真的比較強嗎？｜Kelly Tsai

[Transcript]

00:00 你一句话下去 00:01 后台真的有上千个分身在帮你做 00:03 最夸张的一个是 00:04 有一个工程师他把75万行的专案 00:06 整个翻写掉 00:07 只花了11天 00:09 是不是一个工程师带着一支AI团队 00:11 就可以抵过一整个团队的时代 00:13 真的来了 00:14 欢迎收看Kelly Channel 00:15 我是Kelly 00:16 你最近有没有常常听到 00:18 像是Agent团队 00:19 Multi-agent 00:20 Sub-agent这些词 00:21 上个月的5月28号 00:23 Anthropic丢出了Cloud Open 4.8 00:26 又带了一个新功能 00:27 叫做Dynamic Workflows 00:28 可以让Cloud自己规划一件大事 00:30 然后一口气开出好几百个AI分头去做 00:33 做完自己验收 00:34 最后才把结果交给你 00:36 我自己看圈内在传的案例 00:37 最夸张的一个是 00:39 有一个工程师他把 00:40 75万行的专案整个翻写掉 00:42 只花了11天 00:44 当下我心里面冒出来的问题就是 00:46 是不是一个工程师带着一支AI团队 00:48 就可以抵过一整个团队的时代真的来了 00:51 但是AI Agent团队这件事情 00:53 光听那一堆专有名词 00:54 就已经够让人搞不懂了 00:56 像Agent Teams 00:57 Dynamic Workflow 00:58 Sub Agent 00:58 听起来都差不多 00:59 到底是差在哪 01:00 跟我们以前用的AI又有什么不一样呢 01:03 还有最重要的 01:03 哪些真的值得我们跟着用呢 01:06 这一集我们就来白话拆解一下 01:07 AI Agent团队 01:08 以及告诉你不会写code的人 01:10 要怎么自己开一支AI团队吧 01:15 你平常在用的ChatGPT或是Cloud 01:17 其实就像是请了一个很强的助理 01:20 你问一句他答一句 01:21 但是最近大家疯的不是这个 01:22 是另外一种玩法 01:24 与其用一个AI 01:25 干脆同时开一群 01:26 让他们各自顾一块 01:28 一起把一件大事做完 01:29 這就是所謂的 AI Agent 團隊 01:31 但這個東西沒有你想的那麼新 01:33 讓一群 AI 自己分工 01:34 在 2023 年那個爆紅的 AutoGPT 就在玩了 01:37 這兩年 AutoGen, Crew AI 也一個接著一個冒出來 01:41 業界其實已經摸索了好幾年 01:43 真正讓它最近爆紅的是兩件事情 01:45 第一個是規模 01:46 Open 4.8 新加的 Dynamic Workflows 01:49 能讓 Cloud 自己排一份分工計畫 01:51 一次開到上百個 AI 自己拼心跑 01:53 官方說上限是同時 16 個 01:56 一輪最多 1000 個 01:57 你一句話下去 01:58 後台真的有上千個分身在幫你做 02:01 另一個更重要是他變老實了 02:03 以前的AI常常自己寫的東西有問題 02:05 卻當沒有事就交出去 02:07 Anthropic自己測 02:08 4.8這種出包還裝沒事的狀況 02:10 比上一代還要少非常多 02:12 這很重要 02:12 因為你要敢讓一群AI自己做 02:14 自己驗收 02:15 他們就不能夠互相唬爛對方 02:17 加上那個75萬行11天的案例擺在那 02:20 大家才從小眾工程師在玩改口城 02:22 這好像真的可以用了 02:24 不過那個案例其實有個前提 02:25 它到現在還沒有真的上線 02:27 是一个漂亮的展示品 02:29 但不是一个已经在跑的成品 02:30 我自己用Cloud写code大概一年多 02:32 一开始就是把它当成一个聊天助理 02:34 有问题丢给它 02:35 后来慢慢学会 02:36 一次叫好几个subagent 02:38 同时帮我处理不同的档案 02:40 速度确实是有差的 02:41 5月28出了这个新功能之后 02:43 我也跟着试了一下Dynamic Workflows 02:45 第一次看到它自己规划 02:47 自己开一堆分身去跑的时候 02:48 老实说真的有点吓到 02:49 它真的变得超级厉害 02:54 那我们接下来就要好好解释一下 02:56 你听到的那些词 02:57 Subagent, Agent Teams, Dynamic Workflows 02:59 到底差在哪里吧 03:01 这三个词最常被混在一起 03:02 它们是同一件事的三个等级 03:04 差别在AI之间到底要不要说话 03:07 最基本的是Subagent 03:09 主控的AI把工作切一切 03:11 分给几个分身去跑 03:12 分身做完把结果回给主控 03:14 彼此之间完全不讲话 03:16 想象你用email叫三个同事 03:18 各自去查一件事情 03:19 查完寄回给你 03:20 他们三个人不需要知道对方在做什么 03:22 这个就是Subagent的样子 03:24 适合界定很清楚又能同时做的事情 03:27 比如说一次帮一堆档案各写测试 03:29 或者是同时去爬好几个网站那Agent Teams不一样的地方就在于AI之间有一个内建的群组聊天室他們各自有負責的工作但可以互相傳訊息共用一張代辦清單自己去認領任務 03:41 這比較像是三個人進了同一間會議室 03:44 邊做邊更新白板 03:45 一個人有新的發現 03:47 其他人也會馬上知道 03:48 適合那種任務彼此有交叉 03:50 一個人的方向會影響另一個人下一步的工作 03:53 那再來Dynamic Workflows又再往前一步 03:56 你連團隊都不用自己組 03:57 你只需要管好你的目標 03:59 Cloud 就会自己写一份分工计划 04:01 一口气开出几百个分身平行跑 04:04 做完他会自己验收 04:05 最后才把结果交给你 04:07 他能开这么多又不卡 04:08 是因为那份计划存在程式的变数里面 04:11 不会一直占着Cloud的脑容量 04:13 主打的就是超大规模 04:15 可以完全拆开来做的任务 04:17 所以 Sub-agent 是各自回报 04:19 Agent Team 是进群对齐 04:21 Dynamic Workflow 就是你说目标其他都不用管 04:23 但这里有一个很多人第一次组AI团队就会踩的坑 04:27 直觉会想说按角色来拆 04:29 一个agent去规划 04:30 一个agent来写 04:31 一个写测试 04:32 看起来很有条理 04:33 但其实这样最容易出事 04:35 因为工作在agent之间交接的时候 04:37 资讯会一直掉 04:38 到最后就会变成一个传话游戏 04:40 比较稳的是按context来拆 04:43 照谁需要看到哪一些资料来分 04:45 而不是照头衔 04:46 就算你不写程式 04:47 只是拿工具想要叫AI帮你做事 04:49 知道这个也会有帮助 04:50 因为你会比较看得出来 04:52 他有没有把工作分工对 04:53 我自己的习惯是 04:54 如果你只是要同时办一堆各自独立 04:56 只要结果的事情 04:57 那用subagent就好 04:59 这样省事又便宜 05:00 只有当这件事情 05:01 真的需要不同角色 05:02 来互相对齐 05:03 边做边改的时候 05:04 才考虑开agent teams那种等级 05:06 那讲到这 05:10 你可能已经想要开一支AI团队 05:12 来自己试试看 05:13 但是先等一下 05:14 因为多个AI一起做 05:16 常常其实没有比一个强 05:17 先看研究怎么说 05:19 有一篇论文标题 05:20 就写得很直白 05:21 它说算力给的一样多的时候 05:23 单一AI赢过多agent 05:25 它说的点就是 05:26 过去那些说多agent比较强的 05:28 其实是偷偷给了多agent多很多算力 05:30 一旦把思考的分量拉到一样 05:32 单一AI在很多要一步步推理的任务上 05:35 反而打平甚至更好 05:36 这个道理不难理解 05:38 因为AI之间每传一手话 05:39 资讯就掉一点 05:40 传越多手那就掉越多 05:42 再来是任务的种类 05:44 可以拆开来平行做的事 05:45 比如说看同一家公司的营收成本市场 05:48 多agent确实可以加速 05:50 研究里这一类可以进步八成 05:52 但要是一件事得一步接一步 05:54 有先后 05:55 那多Agent反而就会卡 05:56 Google的研究就发现 05:58 这种情况几乎每一种多Agent做都会退步 06:00 最多掉到七成 06:02 最现实的就是写code 06:03 多半得共用同一套上下文 06:05 所以在标准的程式测试上 06:07 单一AI常常还比较强 06:08 D-Mine就有个对比 06:10 同样是多Agent 06:11 结构设计的好的可以帮你加速 06:13 结构乱搞的却会把错误放大17倍以上 06:16 同样的技术结果差这么多 06:18 全看你会不会设计 06:19 而且这些翻车不是因为AI不够聪明 06:22 研究说多Agent在实际生产环境 06:24 失败率常常过半 06:25 换最强的模型也救不回来 06:27 问题出在系统设计 06:28 不在模型本身 06:29 最常见的错误就是滚雪球 06:31 前面的agent出了一点点小错 06:33 后面也把它当正确答案接着做 06:35 就会越叠越歪 06:37 还有钱的问题 06:38 这块大家很容易忽略 06:39 直觉觉得多开几个agent应该还好吧 06:42 但有人估算过 06:43 三个agent一起跑 06:44 花的钱可能是一个的十倍 06:46 会差这么多是因为 06:47 每多一个agent 06:48 光他的设定 06:49 能用的工具 06:50 每叫一次都要重算一次钱 06:52 agent之间每传一次话 06:54 人一多彼此要连的线就暴增 06:56 五个agent之间就有十条线 06:58 再加上做到一半如果出错重跑 07:00 他会把前面的整段对话再带一遍 07:03 越到后面越烧钱 07:04 这些AI全部都是用量计费的 07:06 所以一群一起烧帐单一定涨得更快但是话虽如此碰对任务的话他是真的很强回到那个75万行11天的例子那个就是多agent的主场它规模够大 拆得开 07:18 又有现成的测试可以验收 07:20 所以我的看法是 07:21 2026年工程师真正值钱的 07:23 不是会不会开一堆agent 07:25 而是判断出来什么时候应该要开团队 07:27 什么时候用一个就够了 07:29 会开不稀奇 07:30 知道什么时候该开才是更重要的 07:32 前面讲的都是工程师的事情 07:37 但是同一套开一只AI团队的能力 07:40 现在不会写扣也可以用得到了 07:41 我们就来实际示范一下 07:43 怎么span up door agent 07:44 以及带你视觉化的看一下 07:46 不同AI agent团队合作模式的差别 07:48 好那我们今天要用来示范的AI呢 07:51 就是Replay 07:52 相信有看过我频道影片的人 07:54 应该都对Replay不陌生了 07:56 我真的介绍过非常多次 07:57 我觉得对于没有任何程式基础的人来说 08:00 Replet算是一个非常好用的AI Agent 08:03 你直接用Natural Language去Prompt 08:05 它就可以帮你做到很多事情 08:07 然后今天我们就是要来看看它 08:09 平行作业的能力 08:10 然后也做一个Demo App 08:11 让你们比较好理解 08:12 不同的AI Agent协作模式 08:15 其实看起来真的超级神奇 08:16 你有没有看过那种GitHub 08:18 如果你是写code的人 08:19 你就知道有不同的Branches 08:21 然后它就很像每个Agent 08:22 各自在一个Branch 08:23 然后它会自己 08:24 就是Try to Merge back to Main 08:26 然后跟Main讲说它在干嘛 08:28 但是我们今天就试着来重新看一次 08:30 然后我们可以先看 Replit 的不同方案 08:33 你如果是就是真的有超大的专案想做 08:36 然后你一次要用超级多 Agent 的话 08:38 Replit Pro 这边可以一次让你 08:40 就是用 Up to 10 Agents 是同时喔 08:43 然后你如果是 Replit Core 的话 08:45 你同时是有两个 Agent 08:47 但是这不代表就是只有两个 Sub Agent 08:49 它是说就是 Work in Parallel 的状况下有两个 08:52 所以你可以两个进行 08:53 然后接下来再两个 再两个 再两个这样 08:56 是真的有超大的专案要做 08:57 那你可以考虑RedBlood Pro 08:59 然后你也可以直接选说 09:01 就是你需要多少credits 09:02 你需要烧更多钱的话 09:04 那你直接买更多credits 09:06 它会给一些折扣 09:07 像你如果需要500块的credits 09:09 那你其实只要付440 09:11 我们回到Home这边 09:12 然后我今天来贴我的prom 09:15 我想跟他说做一个网页app 09:17 来解释AI agent的三个分工模式 09:19 就是我们刚刚讲到的 09:20 Subagent Agent Teams 09:22 跟Dynamic Workflow 09:23 然后我要说用 09:25 就是白话说明这个模式 09:26 我要动画示意图 09:28 然后它适合用在哪不适合用在哪 09:30 另外呢我最后有一个prompt说 09:32 也帮我用多个agent来平行做这个app 09:35 然后我们就来看看它会不会spin up 09:38 不同的agent然后每一个会在做什么事情 09:43 我们也可以注意它是怎么分工呢 09:45 因为就像我说的 09:46 最好的是要用context分工 09:48 不是用角色来分 09:50 所以看看它会不会用context来 09:52 指派不同的任务呢 09:54 然后对因为我是想做一个demo app 09:56 所以其实我给他的requirement是不太需要后端的 09:59 你用前端写一写就好 10:00 所以他也知道这件事情 10:02 就不用去去link一个没有什么作用的后端 10:10 OK他这边已经说他launch一个 10:13 design subagent with a full brief 10:15 就是他有一个subagent是要去做这个网页的设计的 10:19 毕竟他是一个前端app嘛 10:21 你要先知道他长什么样子你才能去把它code出来 10:24 然后呢因为Design要是最前面做的 10:27 后面的Coding都要wait for这个Design 10:29 所以它有点不是一个 10:31 你一次就可以平行做 10:32 你没办法就是 10:33 没有设计就直接开始Code嘛 10:35 所以它有知道这个Dependency 10:37 它会先跟你说 10:38 好Design它现在也block住其他东西 10:40 那我们要等它做完其他人才能开始 10:42 有点像就是真的一个团队的分工的状况现在Replic把这个App做完了我们可以从它的过程看到它其实需要launch的基本上就是design的subagent然后它做完这个设计之后 10:54 直接开始进coding 10:55 然后就present result了 10:56 因为这不算是一个很复杂的project 10:58 所以它也不需要spin up太多去一起做 11:01 然后它这边也有跟我说一下 11:03 它三个页面的分工模式 11:06 各自说了subagent 11:07 agenteams跟dynamic workflows长什么样子 11:10 那我们可以看看它最后出来的成果 11:13 所以首先subagent的话 11:15 你是主角 11:16 然后你给了一个任务版 11:18 你先想好ABC要怎么拆 11:21 然后依照这个去给agent1 agent2 agent3 11:24 然后他们各自写完就把东西回给你 11:27 所以是你自己把大任务拆成小任务 11:29 然后丢给他们独立执行 11:31 所以它适合用在 11:32 比如说一次处理100份履历筛选 11:34 这个就很好 11:35 因为各自履历你就不需要互相沟通嘛 11:38 但不适合作为就是 11:40 你的agent之间有dependency 11:42 就是你Agent A需要作为Agent B的输入的任务 11:46 就是这种一个会block一个的 11:47 那他们需要互相沟通嘛 11:49 所以你看Agent Teams的话 11:51 你就是有一个主控的Agent 11:54 然后他会去安排工作 11:55 然后这些Agent之间有可能需要沟通 11:58 所以他说你只需要跟主控Agent说话 12:01 然后他会去帮你控制 12:02 他比较适合用在就是像产品开发流程 12:05 设计Agent和工程Agent互相讨论规格 12:08 再交付 12:09 或者是像刚刚那种 12:10 就是你会需要有一个design 12:12 然后你再去交给 12:13 就有点像你有一个designer 12:14 你有工程部门 12:15 然后你需要designer去跟工程部门讲话嘛 12:18 不能各自执行 12:19 他不适合用在彼此任务完全独立 12:22 不需要沟通 12:23 因为这样子的话你用subagent是最快的 12:25 最后呢dynamic workflow 12:27 你有主控agent 12:28 但是他是dynamic的在变化的 12:30 就是他会去看现在的工作是长什么样子 12:34 我需要多少agent自己去叫 12:36 然后这个不用了这个叫出来 12:38 就是他是一个dynamic的在变动的一个状态 12:41 所以它说主控agent根据任务的进展 12:44 动态决定要召唤多少agent 12:46 什么时候收回 12:47 然后不用事先规定好几个 12:48 就跟subagent不一样 12:49 这个是你先有了 12:50 就是先规定好有哪些 12:52 这个是一个动态的workflow 12:55 所以它适合用在研究报告生成 12:57 或是根据主题深度动态决定 12:59 要查几个子主题 13:01 就是你可能 13:01 查到一半突然发现哦我还要更多 13:04 查到这个发现哎我应该往这边做的 13:06 这种比较dynamic的 13:07 然后不适合用在流程很固定 13:09 步骤很明确 13:10 不需要灵活调整的自动化任务 13:12 这种你用前面的就会是更快的 13:14 有点像你到底是需要一个AI Agent 13:17 来帮你布置任务 13:18 还是你只需要一个N8n的自动化流程呢 13:21 就是你要根据你的任务去选 13:23 怎么样比较有效率 13:25 好 那我们最后来总结一下 13:27 我觉得对工程师来说 13:28 2026年要练的不是学会开AI Agent团队 13:31 这在之后已经是一个 13:33 越来越基本的技能了 13:34 之前是两件事情 13:35 第一个就是判断力 13:37 知道这件事情到底需不需要AI团队 13:39 一个是当一个构格的reviewer 13:41 因为AI跑得再快 13:42 最后拍板的还是人 13:44 对于还不会写code的人 13:45 我反而想说 13:46 现在很适合下场去试试看 13:48 像是Replic这种工具 13:49 已经能把一个想法 13:51 很快的变成一个能动的雏形 13:53 但也不要指望它可以直接生出一个 13:55 能上线收钱的成品 13:57 它现在最强的是 13:57 把点子快速做出来看看 14:00 真的要营运的话 14:01 你自己还是要学习去补强很多东西 14:03 那如果要我赌一个方向的话 14:05 我会说 14:06 我觉得一两年后 14:07 会带一个AI团队 14:08 会变成跟今天会用Google一样基本能力 14:11 不再是什么特殊的技能 14:12 那如果今天这集有帮助你搞懂AI Agent团队的话 14:15 就帮这支影片点个赞 14:17 然后订阅我的频道 14:18 也可以留言告诉我 14:19 你如果手上有一支AI团队的话 14:20 会拿它来做什么呢 14:22 那我们就下支影片再见啰 14:23 拜拜