Beyond the Demo: What Real AI Agents Actually Do at Work

我一直寻找那些在编码世界之外运行的新型 AI 代理和应用。所谓代理，是指能够设定目标、使用工具、保持上下文，并通过多个步骤完成任务的系统，而不仅仅是回答提示。浏览最近的 **AI 代理会议** 笔记后，我整理了一些亮点示例，这些示例来自与构建这些系统的人员以及会议中认识的朋友的对话。这些系统引人注目的地方并不是它们具有魔法般的能力。而是它们出现在日常业务流程中，其中速度、判断力和访问正确数据至关重要。

_您认为这份通讯有价值吗？考虑成为付费支持者 _

##### 当市场开始做工作

Upwork 的 **Uma Recruiter** 从一个熟悉的问题出发：招聘不仅仅是一次搜索。客户可能会撰写不完整的职位描述，遗漏重要限制，或者未能区分必需技能和可选技能。Uma Recruiter 将这个混乱的输入转化为结构化的招聘任务，然后在人才市场中搜索并根据过去的工作、作品集深度、可用性、先前的客户关系和职位成功率等信号评估候选人。它随后邀请有潜力的候选人并排名传入的提案。Upwork 正在将职位描述视为一次查询，更像是一个多步骤的招聘过程的起点。初步结果表明，这不仅仅是一个演示：Upwork 表示 Uma Recruiter 可以在六小时内生成候选名单，初步测试显示使用候选名单招聘的人数增加了 30%，招聘时间减少了 11%，在 2025 年 11 月至 2026 年 3 月期间，七天内完成的职位数量增加了 10%。

**DoorDash 的商家工具** 不像单一的招聘式代理，更像是直接嵌入商家运营中的 AI 启用工作流包。核心思想是消除独立餐馆通常没有时间和人员处理的设置和增长任务。其 AI 助理入职程序从商家现有的网页存在中提取信息，包括照片、营业时间和服务项目，因此商家可以审查和编辑，而不是从头开始。DoorDash 表示这有助于商家比以往快 35% 上市。该套件还包括 AI 图像工具，用于修复或重新拍摄食物图像，同时保留底层菜肴，AI 生成的品牌网站供直接订购，以及 AI 协助的电子邮件内容和日程安排的营销活动。数百万张照片得到了增强，AI 助理网站的平均订单转化率接近 10%，商家报告在入职和营销方面显著减少了努力。

共同点在于两家公司都使用 AI 来使平台更易于使用，而不是取代市场本身。Uma Recruiter 更明确地具有代理特性：它有一个推理核心、专用工具、记忆和一个迭代计划-执行-评估循环，直到生成一个强大的候选名单。DoorDash 更加嵌入和任务特定，表现为减少商家摩擦的产品功能，在生命周期的已知点出现。对于构建者来说，这种区别很重要。Upwork 自动化了一个需要推理的判断密集型工作流程，系统必须在候选人和结果之间进行推理。DoorDash 自动化了设置、内容和营销工作，其中易用性、限制和与商家门户的紧密集成可能比显眼的自主代理更重要。

##### 通往企业代理的两条路径

**Meta 的 AI 第二大脑** 解决了大多数知识工作者立即认识到的问题：完成工作所需的上下文分散在文档、会议、任务、代码审查和内部讨论中。与其每次会话都从头开始，系统为 AI 代理提供了一个持久的工作空间，围绕 PARA 方法组织，这是一种轻量级的项目、领域、资源和档案结构，告诉代理您正在积极工作的内容、需要按需加载的内容以及新信息（如会议记录）的路由位置。代理通过经过身份验证的 MCP 服务器连接到内部工具，这些服务器赋予它对内部系统的范围权限访问和命令行界面。采用数字令人印象深刻：大约三个月内超过 63,000 次安装，每天活跃用户约 10,000 名，数千个由用户创建的技能，用纯 Markdown 编写。这种内部采用通常意味着工具解决了实际问题。

**EY 的代理式 AI** 项目旨在解决一种截然不同的知识工作：审计和保证。该机构正在将多代理框架直接嵌入到其全球保证平台 EY Canvas 中，该平台基于 Microsoft Azure、Microsoft Foundry 和 Microsoft Fabric 构建。该系统旨在帮助审计团队协调复杂任务，提供更新的会计和审计指导，提高风险评估，并减少行政负担，同时确保人类判断始终明确在内。规模是机构性的而非病毒式的：130,000 名保证专业人士，160,000 次审计业务，超过 150 个国家，以及到 2028 年支持端到端审计活动的路线图。

共同的教训是，内部代理不仅需要一个强大的模型，还需要访问控制、结构化上下文、工作流集成以及 AI 辅助与人类决策之间的清晰边界。两者的不同之处在于哲学。Meta 的系统是从“自下而上”发展起来的：用户编写自己的技能，团队扩展工作流，采用率因为入门成本低且系统可组合而扩散。EY 的部署设计上是“自上而下”的，嵌入到一个受监管的专业平台上，其中治理、质量控制和培训与生产力提升一样重要。有些代理因为人们可以适应它们而传播。而另一些代理之所以赢得信任，正是因为它们不能随意调整。

##### 当数据成为护城河

**RealAI** 是一款为投资者、多家庭专业人士、经纪人、购房者和租户提供的 AI 房地产分析师。其卖点是以前需要专门团队或昂贵机构工具才能完成的房地产和市场分析现在可以通过对话来完成。RealAI 可以比较市场、评估房产、建模回报，并在全美住宅物业上显示租金数据、销售历史、人口统计学、家庭财务状况、迁移趋势和市场动态。Fundrise 声称，以前需要几天的抵押贷款审批现在可以在几秒钟内完成。纽约市世界贸易中心的所有者和开发商表示，以前需要几天的复杂分析现在可以在几分钟内完成。RealAI 对个人投资者和小型公司来说价格合理，这些公司历史上一直因这类智能而被排除在外。

RealAI 最重要的一部分可能不是聊天界面或代理引擎，而是底层的数据。Fundrise 描述了一个经过数万小时内部团队经验训练的系统和一个包含约 3.5 万亿数据点的数据库，涵盖了全国所有住宅物业，这些数据来自公共记录和私人数据库，并实时更新。界面可以重新设计，编排层可以更换。但组装、清理、连接并持续刷新这种规模的领域特定数据才是真正的难点。在许多应用代理系统中，持久的优势在于数据，而不是模型。

##### 为什么代理能留住

这些案例使我更关注使代理有用的情况，而不是代理本身。模式不仅仅是“给模型工具”。更好的例子位于实际的工作循环中，利用领域特定数据，在判断重要的地方保留人类控制，并有足够的记忆来跨步骤携带上下文，而不需要将所有内容都放入每个会话中。它们还需要一些不太引人注目的基础设施：访问控制、工具失败时的重试、解释代理行为的日志记录、与业务结果相关的评估，以及成本纪律，使得每一步都不需要最昂贵的模型。这就是许多代理项目成功或失败的地方，而不仅仅是在演示中。

劳动力问题也潜伏在大多数这些部署的表面之下，即使没有明说。Fundrise 的 Ben Miller 对劳动力后果的表述尤为坦率。他表示，AI 将导致商业地产领域的就业损失，尽管 Fundrise 没有裁员，但该公司已经放缓了招聘。这比大多数公司愿意公开提供的更诚实的表述，值得认真对待。这里描述的系统并没有在高风险时刻取代人类判断，但它们压缩了围绕这些时刻的大量工作。对于任何正在构建或购买代理的人来说，价值是真实的，但组织后果也是真实的。