AI 智能体如何投入工作：OpenAI、Factory AI 与 Box 讨论可靠工作流

Matthew Berman 和 Nick Wentz 于 2025 年 9 月 11 日从 BoxWorks 现场直播节目。Box 赞助本次直播，嘉宾包括 OpenAI 的 Srinivas Narayanan、Factory AI 的 Matan Grinberg 以及 Box 首席执行官 Aaron Levie。主持人围绕那些将 AI 模型转化为可用产品的构建者展开讨论。

第一条新闻是 Replit 宣布以 30 亿美元估值完成 2.5 亿美元 C 轮融资。主持人提出一个问题：当提供智能能力的模型厂商也可能推出竞争产品时，一家应用构建公司如何应对平台风险？

他们认为外围支撑系统很重要：产品将模型与环境、工具和界面结合，帮助用户构建并部署应用。基础模型不可或缺，但有用的系统还取决于周边工作流以及公司改进这些流程的能力。

Replit 表示，其智能体最长可以运行 200 分钟。主持人认为更长时间跨度是编程智能体的一个重要发展方向，同时指出，长时间工作的智能体仍须产出有用且可验证的结果。

接下来是字节跳动的 Seedream 4 图像模型。主持人讨论了它与 Google 的 Nano Banana 的报道比较，以及图像生成和编辑领域的快速竞争；引用的内部基准和排行榜名次只是某个时点的结果，不能证明任何模型在所有场景下都最好。

他们强调一种图像编辑方式：改变某个特征，同时保留图像的大部分内容。这种可控的迭代比反复从提示词重新生成更能发挥图像生成的实用价值。

阿里巴巴的 Qwen3-Max-Preview 是竞争快速变化的另一个例子。公告称该模型参数超过一万亿，并在选定基准上取得提升；当时预览版可通过 Qwen Chat 和 API 使用，权重尚未公开。

主持人欢迎强大的开放权重模型出现，但也将这一生态与权重当时尚未公开的预览版区分开。他们还讨论了运行超大模型所需的成本和实际基础设施。

他们转而讨论 ASML 领投 Mistral 融资并成为主要股东的报道。主持人认为，这项投资表明欧洲有意建设 AI 能力，同时也指出芯片制造设备、算力基础设施和模型开发处于供应链的不同环节。

OpenAI 的 B2B 应用首席技术官 Srinivas Narayanan 加入讨论。他介绍自己从事的技术和产品工作，旨在帮助各行业组织使用 AI；他说，软件领域的变化之快，即使对一位经验丰富的工程师来说也十分惊人。

主持人询问精彩演示与投入生产之间的差距，包括广泛流传的企业 AI 试点失败说法。Narayanan 说，组织必须考虑自身的工作流和条件；一则关于试点的新闻标题不应被当作所有企业 AI 项目的实测失败率。

Narayanan 看到组织正在学习如何让 AI 发挥更大的作用，而不只是让同一批员工更快地工作。企业还可以重新思考哪些服务或流程成为可能，但这需要信任、隐私、安全，以及与现有工作系统的集成。

被问到应用是否会被整合进智能体时，他描述了从向模型逐个提问，到给它设定目标并让它采取行动的转变。推理、工具使用和多模态输入的进步让这种转变更有可能实现。

这并不意味着界面会一夜之间消失。Narayanan 预计，实用产品会把智能体与工具访问、适当的上下文结合起来，并提供一个让用户看见和指导执行过程的环境。

编程是一个突出例子，因为系统可以检查代码库、修改代码并运行测试。主持人问智能体还可能在哪些领域发挥价值，Narayanan 提到那些需要收集信息、执行一系列步骤，而不是回答单个孤立提示的问题。

讨论转向一位嘉宾此前提出的观点：AI 会完成工作流的中间部分，人负责定义任务和审查结果。Narayanan 赞同监督和验证仍然重要，尤其是当行动的风险和复杂性增加时。

主持人询问如何让模型承认不确定性，而不是自信地给出错误答案。Narayanan 说，OpenAI 会将研究成果纳入未来系统，并认为校准仍是持续的挑战：对模型来说，给出答案可能比承认不知道更容易。

工具提供了另一种检查工作的方法，但将智能体连接到企业系统，也带来了它能使用哪些工具、拥有何种权限的新问题。工具调用或再次检查可以提供有用证据，却不能保证最终答案正确。

Narayanan 说，持续提升模型质量是基础，周边系统则必须让这些提升真正有用。主持人询问，随着每一代模型突破过去的限制，公司如何应对客户期望的快速变化。

众人讨论了改变模型与维护用户已依赖的产品之间的张力。新能力可以解决过去困难的问题，但用户可能也关心熟悉模型的一致性、行为和个性。

Narayanan 将评估描述为决定升级是否就绪的一部分。重大模型变化需要在多种用途上测试，因为某一方面的提升并不能排除其他方面的退步。

主持人问到平台风险：OpenAI 既向合作伙伴提供模型，也自行开发应用。Narayanan 说，OpenAI 力求对开发者保持透明，在进入平台产品可能与客户产品重叠的领域之前，会提前通知受影响的合作伙伴。

在基础设施层面，模型服务既要让现有模型高效运行，也要规划未来工作负载。Narayanan 说，算力需求很难预测，因为新能力可能引发出乎意料的使用量激增。

他回忆 OpenAI 推出图像生成功能时的需求激增，给文件系统、数据库及其他服务带来了压力。他的重点是，病毒式采用会考验整个技术栈，而不仅是运行模型的 GPU；节目中提及的需求数字是公司对当时情况的说法。

类似的不可预测性也会出现在企业场景，尽管消费端的病毒式传播通常更显眼。Narayanan 说，客户可能突然发现有价值的用例，因此平台需要容量和可靠、可适应的系统。

OpenAI 还组建了专注真实世界评估的团队。Narayanan 认为，基准应反映实际任务及其上下文：用户拥有什么信息、系统能访问哪些工具，以及如何判断结果是否成功。

当最重要的案例包含专有商业数据，或需要有专业知识的人评判结果时，这类评估很难规模化。他介绍与客户及评估人员合作，让评估更具代表性，而不是假定一个公开分数能概括一切。

更困难的任务可能需要一连串决策，而非一个容易核对的答案。Narayanan 说，挑战在于捕捉足够多的工作流信息，判断模型是否真的有帮助，以及它在哪里出错。

采访结束后，主持人研究 Thinking Machines Lab 关于语言模型推理非确定性的文章。研究解释了数值计算和批次大小的变化如何让输出发生变化，即使采用了旨在减少采样随机性的设置也是如此。

提出的批次不变方法旨在让推理在规定条件下可以复现。这并不等于说每个模型在任何设置下都会返回同样的答案，也不意味着重复出现的答案一定正确。

接着主持人讨论 Alex Karp 的观点：基础模型只是企业 AI 的一个组成部分，产品设计、数据集成和周边应用同样重要。他们生动的转述是对该观点的评论，并非逐字引语。

Decart Oasis 2 的演示展示了游戏世界视觉风格的实时变化。主持人对其看起来很快的迭代速度印象深刻，但这仍是公司演示，并非该技术在所有游戏或设备上都可靠的独立证据。

Factory AI 首席执行官 Matan Grinberg 加入节目，介绍名为 Droids 的编程智能体。他描述了如何帮助工程团队处理整个软件生命周期的工作，从编写代码到文档、测试以及困难的维护或迁移任务。

Grinberg 说，目标是让团队在自己已经使用的环境中把工作委派给智能体。他的发言代表产品创始人的观点；Berman 披露自己是 Factory AI 的小额投资者。

主持人问到近期与 METR 研究有关的一场人机黑客松。Grinberg 介绍，参赛者被随机分到不使用 AI 的组或允许使用 AI 工具的组，评委在不知道作品属于哪组的情况下评审。

允许使用 AI 的参赛者仍然可以自己编写代码；这不是没有辅助的人与完全没有人参与的自主机器之间的比赛。Grinberg 说，获胜作品来自允许使用 AI 的一方，评委既考虑项目本身，也考虑实现质量。

众人把这场活动视为有趣的实验，而非对职场生产率的普遍衡量。单凭一个获胜项目无法确定平均因果效应；METR 2025 年初针对经验丰富的开源开发者开展的另一项研究，发现该特定情境下平均速度变慢。

Grinberg 认为，人仍需负责艰难的选择：界定问题范围、理解用户、决定系统如何组合，并对成品运用品味判断。智能体可以承担任务，但委派者必须知道什么样的工作才算好。

被问及 Factory 如何组织智能体时，他介绍了围绕开发生命周期中的任务进行专业分工。目标是为每项工作配备合适的上下文和工具，而不是假装一个提示词就能处理所有工作。

他讨论了自定义能力和软件开发工具包，让团队可以根据自己的工作流调整智能体和护栏。不同组织的代码库、政策和审查流程各不相同，因此除了默认设置，灵活性也很重要。

谈到上下文窗口，Grinberg 说更大的窗口可能有帮助，但把所有内容都放进去成本高，也可能更难聚焦于重要内容。挑选相关信息可能比单纯增加输入文本更有用。

主持人再次提出平台风险：模型厂商也在开发编程工具并增强其能力。Grinberg 认为，Factory 可以在周边工作流中创造价值，并保持对不同底层模型的开放，而不是依赖单一供应商。

Factory 希望开发者能在现有工作场所使用智能体：网页、IDE、CLI 或手机。Grinberg 将委派工作比作通过任何方便的界面联系同事，同时承认跨界面保持一致体验并不容易。

话题扩展到什么才算智能体。Grinberg 关注的是委派一个结果并获得有用的进度更新，而不是坚持把每个内部组件都称为智能体；界面背后仍可能有多个专门组件协作。

主持人问 AI 会减少工程岗位，还是让团队尝试更多工作。Grinberg 乐观地认为，高产团队会得到更多资源和更宏大的项目，但这是对组织决策的预测，并非已确立的全经济范围结果。

讨论又回到如何从反馈中学习。有用的系统应记录团队的决策及其工作后果，让未来的智能体理解发生了什么，同时让人能够检查和纠正记录。

Grinberg 描述如何关联工单、代码、拉取请求和事故信息等材料，以提供组织上下文。一次故障可以把已发布的功能与其引发的问题及最终修复关联起来，帮助后续任务检索更完整的历史。

众人设想另一场比赛，让没有传统工程背景的人使用 AI 与经验丰富的开发者较量。他们将其作为未来可能举办的活动，而非已经展示的结果。

回到新闻，主持人讨论 AlterEgo：这种可穿戴设备旨在通过与默语相关的信号支持无声沟通。他们澄清，该系统不能读取任意想法；其拟议的沟通用途，包括可能帮助渐冻症等疾病患者，需要在实际使用中评估。

他们把公众对新工具的反应，与过去关于教育中使用计算器的争论作比较。这个类比用于讨论机构阻力，并不能证明网上流传的每个历史轶事都准确。

主持人展示 Jetson 的公告：Palmer Luckey 在接受不到 50 分钟地面训练后驾驶其单座飞行器。这个数字来自制造商，不能据此确定此类飞行器通常需要的训练、法律要求或操作安全性。

他们也简短讨论了无人机配送计划，并将这个航空例子与他们长期以来对自主配送最终会更普及的预期联系起来。拟议中的测试不等于已经完成或广泛部署。

Box 首席执行官 Aaron Levie 加入这场受赞助的直播，讨论公司在 BoxWorks 发布的消息。他将 Box Automate 介绍为一种把智能体应用于企业非结构化内容工作流的方式，并以确定性规则约束智能体可以做什么。

Levie 描述了如何为工作流设置角色、权限和边界，再在适当环节安排人工审查。模型可以对文档进行推理，但周边系统决定谁能访问信息以及可以采取哪些行动。

主持人询问能否用多个模型或智能体相互质疑工作成果。Levie 认为第二意见和比较有价值，特别是结果十分重要时；但多个模型的输出本身不应被误认为独立验证。

Box Extract 将智能体用于合同和发票等文档，把其中的信息转为结构化字段供下游流程使用。Levie 说，系统可以根据任务难度投入不同数量的计算。

他举了一个保险例子：智能体可能帮助人工理赔人员更高效地处理案件。主持人同时考虑现有工作流的生产率，以及开展过去成本过高或耗时过久的额外工作的可能性。

Levie 认为，自动化既可能替代现有任务，也能创造对新工作类型的需求。他描述的增长情景是一项商业预测，不能证明全经济范围内新增岗位会抵消岗位损失。

他认为，组织可能改变工作方式，让委派更容易，而不是等待智能体完美理解每一种现有做法。更清晰的流程、明确的职责和更好的上下文，都能让人和智能体的角色更容易管理。

被问到初创公司如何与大型模型供应商竞争时，Levie 仍看好解决特定客户问题的公司。除了底层模型，分销、信任、产品体验和实施也可能很重要，尽管供应商也可能进入应用市场。

Box 的做法是围绕模型构建产品，但不固守可能被更好模型淘汰的实现方式。Levie 说，当能力出现有意义的提升时，团队应愿意替换技术栈的部分组件。

主持人问 Box 如何跟上频繁发布的新模型。Levie 说，公司会用自己的文档任务和真实标准答案持续评估，将新模型与正在使用的模型比较并找出性能退步。

他描述了一个大型内部评估套件，包含数千份文档和数万个字段；在 Box 测试的任务中，领先模型的表现相对接近。这些差异是 Box 内部评估的结果，并非普遍准确率排名，也不是对每份客户数据集的承诺。

Levie 说，质量仍是第一优先，因为完美的结果往往足够有价值，值得支付相应成本。众人接着权衡延迟和价格：速度对交互体验很重要，而异步智能体有时可以花更长时间处理困难任务。

更快的推理系统也可能让投入更多计算以改善结果变得可行，因此速度和质量并不总是对立的目标。合适的权衡取决于工作流、出错的代价以及用户需要答案的速度。

主持人讨论了未来可能出现的界面：客户指定文档提取所需的置信水平或预算，让系统分配资源。Levie 提到的 97%、99% 或 99.999% 是拟议目标，并非经过验证的准确率保证。

最后一个问题是，以 AI 为先的公司有哪些不同做法。Levie 说，公司应让智能体更容易理解工作：将流程文档化、连接相关系统、设置权限、提供上下文并定义需要达成的结果。

随后，人需要审查结果，并改进围绕重复性工作的指令和基础设施。Levie 的建议串联起整场讨论：部署智能体既是组织实践，也是模型选择问题。

主持人感谢 Narayanan、Grinberg 和 Levie，结束直播。整场讨论反复出现的主题是：模型能力正在迅速进步，但可靠的工作流仍需要上下文、评估、权限和人的判断。