如何评价当前的 AI Agent 落地效果普遍不佳的问题？
我看 Coding Agent 落得挺好的，已经完全转化为生产力了，现在谁写代码还纯古法。教师、各种文案工作，落地落得也挺好的。
所谓 AI Agent 落地不佳，主要指的还是企业级场景。简单地说，现在 AI 给个人用，作为个人生产力的补充，是够的；但是真正落到大工业、大数据的生产力，可不是现在的 AI 搞得定的。
代码写错了，CI 可以验证；文案写得不好，领导改几句就完事了。你要是真敢把现在这坨充斥着幻觉的 LLM 丢进工厂的生产车间，丢进银行的金融分析，那分分钟挂在那里。
说白了，当前的 Agent 任务执行成功率不够高，而且不确定性强。代码是死的、可预测的，所以被广泛使用；但 AI 的行为是不可预测的，这是 LLM 本身性质决定的。生产级环境讲究的是但求无过，不求有功。
缺的那 20% 才是最关键的
我也参加过几个 Agent 的落地项目，基本上精度可以干到 70% - 80%，但是缺的那 20% - 30% 才是最关键的。说白了，一个工厂的熟练工人、工程师，跟头一次接触生产的新员工之间的差距，可能也就是这么大。
所谓行百里者半九十，在当前基模能力越来越强的今天，可能早已经不是夸张的说法，而是非常非常写实的了。
缺的那些健壮性、精度怎么补？说实话，不好补。我十分同意一个观点：不要着急搞通用型 Agent，先把各个小的细分领域的事情做好。
大而全不可能，小而精才是王道。
下一个雪球可能是数据领域
代码管理领域已经有非常成熟的解决方案了，Claude Code、Codex 一统江湖。AI 下一个阶段接管的领域是哪个？我认为是数据分析和数据加工领域，也就是大数据领域。
模型的编码能力和 Coding Agent 之所以强，是因为 21 世纪初开始的开源精神给互联网积累了大量可供训练的丰富语料。程序员们对于提高自己效率这件事情又是非常热衷的，以至于这个领域可以极快进入一种正反馈循环：越搞越快，雪球滚起来了。
这个球滚起来之后，下一个球就是数据领域了。
倒不是真要用企业数据去训模型，而是说，现在人类已经有了足够多的 Agent 工程基础，随便搞点什么 Agent 框架太简单了；而数据，又是代码和计算机最适合处理的东西之一，所以我认为数据这个雪球很快也要滚起来了。
不过到底要怎么才能滚起来？摸爬滚打了一段时间之后，我觉得有这么几个要素。
首先，一定要方便好用。拿自然语言就能处理东西，有个易用且健壮的前端。2026 年了，我要是再去指挥模型去看这表那表，这库那库，那我真不如用 Coding Agent 自己重新搓点日抛代码用。
然后，数据处理流程一定要有完整的记录。这个记录不光是为了保证可还原、可审计，类似 Git；它还是后续演化的基础。只有滚雪球才能快速促进发展，这个时代靠人力去调优是不可能的。
再然后才是效率和精度。
Coding Agent 一开始也不擅长写太多代码，也不擅长管理项目，也是从基模开始猥琐发育搞起来的，一步一步对着各种 benchmark 提升精度，搞上下文，搞 harness，慢慢搞起来的。目前看来，至少前三个雪球都不会少了这步。
想得多不如干得多。
最近就跟朋友尝试搓了一个数据工作台，感觉还挺好玩的，也碰了不少壁，但大体上感觉还是在正确的方向上走。
也欢迎感兴趣的人一起来搞：
搞成什么样子，只有天知道，摸爬滚打便是，实践出真知啊。