智能体设计与应用 · 第 8 次课
01 — 13
企业分享 · 极视角
中山大学岭南学院 · 张一帆
+
+
01企业分享 · 极视角
研究生专业学位选修课 · 2026 秋 · 第四周
结课展示
与主题分享
智能体设计与应用 · 第 8 次课
AI岭南学院
→展示规则
每组十分钟，对着网页讲
全班show.lingnan.top
本组mde01.show.lingnan.top01 换成自己的组号，班级密码在作业平台的「我的小组」页
- 手机计时，到第 9 分钟提醒，提醒完这一组收尾
- 网页在教师机上打开，不换电脑。下一组在上一组讲的时候连好
演示讲三件事
场景是什么现在能自动做完哪一段效率对照，原来多久、现在多久往后想做成什么样
讲你们手上已经做出来的东西，不是打算做的东西。
研究生专业学位选修课 · 2026 秋 · 第四周
规则、智能
与组织
智能体设计与应用 · 第 8 次课 · 主题分享
AI岭南学院
I
PART I / IV
规则与智能的
螺旋上升
符号主义与连接主义，七十年交替领先
今天的智能体，是给大模型配上规则
今天的智能体，是给大模型配上规则
I先回头看
七个半天，你们一直在给大模型写规则
第 1 次课AGENTS.md你是谁、你的口径、你的红线
第 2、3 次课技能一类活的步骤、模板，何时停下问人
第 4 次课闹钟数没补齐只记一行，补齐了才重写摘要
第 5 次课子代理与知识库谁管哪一段，资料放哪、条目怎么编
第 7 次课五条规矩没人看着时，删除、动钱、外发都不做
一个问题
号称智能的东西，
为什么还要我们
写这么多规则？
答案藏在人工智能七十年的两条路线里。
I两条路线
造智能，一直有两种想法
| 符号主义Symbolism | 连接主义Connectionism | |
|---|---|---|
| 智能从哪来 | 人把知识写成规则和逻辑，如果……就…… | 仿照人脑的神经元，从大量数据里学出连接的强弱 |
| 代表 | 专家系统，下国际象棋的深蓝 | 深度学习，今天的大模型 |
| 长处 | 确定、可解释，每一步都查得到 | 灵活，能应付没见过的情况 |
| 短处 | 规则写不完，例外一来就失灵 | 说不清为什么，同一个问题两次答得不一样，会编 |
一个给确定性，一个给灵活性。能上岗的智能，两样都要。
I七十年
两条路线，轮流领先
1956–1969
同时起步
两条路一起出发
- 1956 达特茅斯夏季研讨会，人工智能成为一个研究领域，主流是符号推理
- 1958 罗森布拉特的感知机，最早的神经网络
- 1969 明斯基与派珀特出版《感知机》，神经网络转入低谷
1970s–1980s
符号领先
专家系统进企业
- 把专家经验写成成百上千条规则
- DEC 用 XCON 配置计算机订单，每年省下数千万美元
- 1986 反向传播论文发表，神经网络复苏
1987–2000s
规则撞墙
专家系统退潮
- 1987 专用 AI 硬件市场一年内崩盘，专家系统难维护，第二次 AI 寒冬
- 1997 深蓝胜卡斯帕罗夫，靠搜索加人写的评估规则
- 神经网络在学界坚持，等数据和算力
2012–2017
连接领先
深度学习爆发
- 2012 AlexNet 图像识别错误率 15.3%，第二名 26.2%
- 2016 AlphaGo 4 比 1 胜李世石
- 2017 Transformer 发表，今天大模型的底座
2022–
合流
大模型配上规则
- 2022 年底 ChatGPT 上线
- 2024 诺贝尔物理学奖颁给霍普菲尔德和辛顿
- 技能、AGENTS.md、工作流、脚本，把规则又请了回来
符号主义连接主义
一条路走到头，另一条接上来。这不是钟摆，是螺旋，每转回来一次都站得更高。
Cornell Chronicle 2019-09-25；Barker 等, CACM 1989（XCON 每年省下 tens of millions of dollars）；Krizhevsky 等, NeurIPS 2012；诺贝尔奖新闻稿 2024-10-08
I液体猫
猫会变成容器的形状，规则写不完
三条规则，认出一只猫
- 尖耳朵、椭圆脸
- 一身毛、四条腿
- 几根胡须
坐着的猫，三条够用。
换个容器，一条都不管用。
换个容器，一条都不管用。
钻进盒子、玻璃杯、水箱，身体跟着容器走。给它足够长的时间，猫会流成容器的形状。
规则能写下的形状，总比猫少一种。
规则能写下的形状，总比猫少一种。
Marc-Antoine Fardin, On the Rheology of Cats, Rheology Bulletin 83(2), 2014；2017 年搞笑诺贝尔物理学奖
I为什么会轮流
两条路线，各自撞过一堵墙
符号主义
规则写不完
- 专家脑子里的东西要一条条问出来。费根鲍姆 1977 年就说，获取领域知识是瓶颈
- 规则越攒越多，维护越来越贵，又学不会新东西
- 碰上规则之外的情况就失灵，业内说它脆
连接主义
能力有了，管不住
- 本事从数据里长出来，说不清为什么这么答
- 同一个问题问两次，答得不一样
- 不知道的也敢编，不该做的也敢做
强化学习奠基人萨顿 2019 年写过一篇《苦涩的教训》：七十年的经验是，借助算力的通用方法最终胜出，而且胜得很多。
The biggest lesson that can be read from 70 years of AI research is that general methods that leverage computation are ultimately the most effective, and by a large margin.
Rich Sutton · The Bitter Lesson · 2019-03-13
I螺旋上升
规则回来了，换了一种写法
软件 1.0 · 写代码
规则写在程序里
if 金额 > 50000:
转人工审批
else:
自动通过
谁来写 程序员
→
软件 2.0 · 训练神经网络
规则学进参数里
0.12 -0.87 0.33
1.05 0.41 -0.29
…… 几千亿个 ……
谁来写 数据和训练，没人读得懂
→
软件 3.0 · 用自然语言
规则用中文写给模型
超过 5 万元的报销，先列出依据，交我确认，不要自己批。
谁来写 懂业务的人
卡帕西说，提示词就是给大模型编的程序。第三圈回到规则，写规则的人换成了懂业务的人。
Andrej Karpathy, Software 2.0, 2017；Software Is Changing (Again), YC AI Startup School 演讲, 2025-06，原话 your prompts are now programs that program the LLM
I两条路线合起来
最强的系统，都是两样拼起来的
2016 · DeepMind
AlphaGo
直觉神经网络判断哪几步值得下、局面谁占优
推演树搜索沿着这几步往下算
4 比 1 胜李世石
2024 · DeepMind
AlphaGeometry
直觉语言模型猜该添哪条辅助线
推演符号推理引擎一步步严格证明
30 道奥赛几何题做出 25 道，人类金牌选手平均 25.9
今天 · 你们手上的
WorkBuddy 里的智能体
直觉大模型读材料、起草、拿主意
规则技能里的步骤、脚本算数、该你点头的地方停下
第 5 次课那句，大模型装上脚手架
DeepMind 说这像《思考，快与慢》，一个出直觉，一个做审慎推理。马库斯今年拆了 Claude Code 的源码，说它好用不是因为模型更大，是因为神经网络配上了符号规则。
Silver 等, Nature 529, 2016；Trinh 等, Nature 625, 2024；DeepMind 博客 2024-01-17；Gary Marcus, The Biggest Advance in AI Since the LLM, CACM 博客 2026-04（个人解读，有争议）
I落到智能体上
脚手架，就是围着模型的那圈规则
脚手架 · 规则这一侧
AGENTS.md你是谁、口径、红线
技能一类活的步骤和模板
脚本算数、排序、转格式
大模型 · 智能这一侧读懂、起草、归纳，应付没见过的情况
闹钟与工作流几点做、按什么顺序
权限与确认哪些要人点头
验收标准什么样算对
Anthropic · Building effective agents · 2024-12
它把两种做法分开叫。工作流走事先写好的路径，智能体由模型自己决定下一步。能简单就简单，确实需要才加复杂度。
Workflows are systems where LLMs and tools are orchestrated through predefined code paths. Agents … dynamically direct their own processes and tool usage.
Anthropic · Agent Skills · 2025-10
技能里可以带脚本。给一串数排序，让模型一个字一个字生成，远不如直接跑一段代码；很多场合要的是只有代码给得了的确定性。
Sorting a list via token generation is far more expensive than simply running a sorting algorithm … many applications require the deterministic reliability that only code can provide.
I怎么分
哪些写死，哪些交给它判断
Anthropic 写给 Claude 的行为准则专门讲过这件事。规则透明、可预测、好检查，可照搬到没料到的情况会出错；判断能应付新情况，代价是没那么好预测。错了代价大的地方，用规则。
Clear rules and decision procedures make the most sense when the costs of errors are severe enough that predictability and evaluability become critical.
Anthropic · Claude's Constitution · 2026-01
写死，交给规则或脚本
- 金额、口径、指标的算法
- 格式和模板
- 删除、动钱、对外发送，先停下来问人
交给它判断，写清怎么验收
- 起草、归纳、改写
- 给说法五花八门的来件分类
- 找异常、提疑点，拿不准就标出来
规则也要跟着转。每换一代模型，回头删掉用不着的，再给新本事补上边界。
第一部分 · 一句话
智能来自模型，
规则来自业务
规则谁来写？最懂这件活的人。组织的转型，就从这里开始
II
PART II / IV
组织的 AI 转型
从业务出发，由一把手推动
数据是护城河，靠赛马带动
数据是护城河，靠赛马带动
II一段视频，一场圆桌
个人快了，组织没跟上
本地播放 · 57 秒
AI 提升效率，但衡量成功的标准却没有改变
詹青云，律师
从前……要求初入职的律师每年要工作两千个计费工时，现在用了 AI 以后，我们的律师每年只需要工作五百个小时吗？
行业内会觉得这个律所濒临倒闭。
人衡量成功、衡量成果、衡量效率的方式没有改变。
腾讯研究院圆桌 · 2026-09-14 · 厦门
杨洪进 · 蝉妈妈联合创始人
个人的效率变高了，但组织的效率可能并没有变高。
AI 对个人提效，不少岗位能有 10 倍以上……AI 对组织提效，做到 2-3 倍就已经很厉害了。
考核、流程、编制都没变，个人省下的时间就变不成单位的产出。这一段讲怎么改。
II从哪头开始
AI 转型，不是技术部门一家的事
从技术出发
- 先买平台、上大模型、建算力
- 交给 IT 部门或 CIO 牵头，业务部门配合
- 看账号开了多少、token 用了多少
- 做出来的东西，业务不知道往哪用
从业务出发
- 先弄清每个岗位一天在忙什么
- 一把手牵头，业务出需求、定验收标准
- 看一个流程从几天变成几小时
- IT 和外部团队做支撑
流程要改、考核要改、部门之间的数据要打通，这些都不是技术部门说了算的。
微软今年调查 2 万人，文化、经理支持、人才制度这些组织因素，和 AI 效果的关联是个人心态的两倍多，67% 对 32%。
Microsoft Work Trend Index 2026, 2026-05-05，按 29 个因素的重要性排序，是相关不是因果
II一本今年的新书
李开复：AI 转型是一号位工程
AI 未来已来
CEO、组织、
个人的时代红利
个人的时代红利
李开复 著
- 第 5 章 · 为什么大多数 AI 转型会走向失败
- 第 6 章有一节 · AI 时代的护城河
- 第 8 章 · 重塑组织架构，把公司交给 DRI
- 第 9 章 · 工作的未来，每个人该怎么办
人民邮电出版社 · 2026-07
书里列的三个错误
把 AI 转型全权交给 CIO；采用自下而上的转型方式；被一大堆 SaaS 智能体晃花了眼
为什么是一号位 · 虎嗅专访 · 2026-06
「战略问题不可能从 CIO 开始，只能从一号位开始……AI 不是给旧流程装插件，而是重写一家公司的组织、流程和决策方式。」
从哪里下手 · 彭博专访 · 2026-09
「AI 必须走入核心业务」
为什么不能交给技术部门 · 人民日报 · 2026-08
「技术部门缺少顶层决策权限、全局变革想象力，也无法承担转型失败的全部责任。」
李开复《AI未来已来：CEO、组织、个人的时代红利》封面与目录，豆瓣读书；虎嗅独家对话 2026-06-24；彭博专访中文稿 2026-09-17；人民日报 2026-08-14
II一个落地的做法
第一步，拿一支录音笔
I
录
挨个约业务同事，
聊聊他的一天怎么过的
II
转
转写成文字，
错别字不用管
III
理
让 AI 列成任务清单，
做什么、多久做一次
IV
筛
过一遍四个判断标准，
挑出第一批值得交的活
业务同事自己说不清哪些活该交给 AI，可他说得清自己的一天。剩下的交给 AI 归纳，人来挑。
上周日博士生沙龙的课件，也是从一段 71 分钟的录音开始的。录、转、整理都交给了 AI，我只做了定方向和逐页验收两步。
II更进一步
零一万物，每个会议都录下来
录什么
- 每一场内部会议
- 每一个客户投诉电话
- 销售见客户，对方允许时也录
据大数据文摘对李开复 2026 WAIC 演讲的报道
WAIC 演讲 · 2026-07
「公司最重要的流程和数据是会议。点子、辩论、决策、战略都在会议里发生。」
36 氪 · 2026-07
会议、交流、销售与客户的问答，「这些是 ERP 和驾驶舱过去无法覆盖的。」
经济观察报专访 · 2026-07
「我是可能遗忘的，但是老板 AI 不会遗忘。」
这是很重的做法，不必照搬。要学的是这个意识：业务的每一步、人和人之间的每次交流，都是数据。
澎湃号·大数据文摘 2026-07-27；36 氪 2026-07-08；经济观察报专访 2026-07-30（虎嗅 2026-08-06 转载）
II护城河
模型谁都买得到，数据只有你们有
水面上 · 系统里的数据
单据、台账、客户系统里的成交记录。同行也有类似的系统
水面下 · 人和人之间
会上为什么这么拍板，群里一句提醒，老员工一眼看出的不对劲。只在你们单位，大多没人记下来
第 4 次课那句
对 AI 来说，没写下来、够不着的，就等于不存在
录之前先讲清用途、取得同意，个人信息保护法第十四、十七条有规定。客户那头，一定要对方点头。
II怎么带动
不靠强推，靠让人看见别人做成了
强推
- Shopify 2025 年内部信，申请人手和资源之前，先证明 AI 做不到
- Coinbase 要工程师一周内用上 AI 编程工具，说不出理由的被开除，CEO 自己也承认手段太重
- 不少企业按 token 用量排名，员工就刷数，有人拿它做数学题。指标变成目标，就不再是好指标
赛马
- 跑出来的效果公开，别的部门看见了自己来学习
- 北京银行要求新项目 AI 优先，同时办 AI 应用大赛，规模化落地的高价值场景超过 300 个
- 美的相信高手在民间，2024 年定 2,000 万元降本目标，年底做到 1.6 亿元
李开复反对的是没人拍板的自下而上。赛马不矛盾，方向和规则一把手定，谁先跑出来，让结果说话。
BetaKit 2025-04-07；TechCrunch 2025-08-22；Business Insider 2026-04；Fortune 2026-05-12；21 世纪经济报道 2026-04-29 北京银行业绩会；《财经》AIEC 对谈 2026-06
II赛马怎么跑
四步，把一个部门的成功变成全单位的
I
出题
一把手定方向给资源，
部门自愿报名
II
定一个数
原来几个人、多久，
现在多久
III
公开复盘
当着全单位讲，
做成了什么，哪里还不行
IV
收进公共库
跑通的技能和流程，
放到人人拿得到的地方
罗杰斯研究创新怎么扩散，有一条叫可观察性。别人用出了效果、你看得见，你才会跟。
微软的同一份调查里，只有 13% 的人说，用 AI 重做工作即使没出结果也会被奖励。想让人敢试，没做成的也别罚。刚才 14 组轮流上台，就是一场小小的赛马。
II人这一头
总量没动，进门的人变少了
近 9,000 名高管 · 七国企业调查
≈ 0
过去三年 AI 对本企业就业的净影响几乎为零。四成以上的企业有增有减，加总抵消了
斯坦福 · 美国工资单数据
−19%
22–25 岁在 AI 高暴露岗位的就业，比同龄人的趋势低约 19%。资深员工没有这个缺口
Anthropic · 2026 年 3 月
−14%
22–25 岁进入高暴露职业的求职成功率比 2022 年低 14%，作者说勉强显著；失业率没动
调整主要靠少招新人，不是裁员。斯坦福团队自己也说，这是描述性结果，不是因果估计。
Yotzov, Barrero, Bloom 等, Firm Data on AI, NBER w34836, 2026；Brynjolfsson, Chandar, Chen, Canaries in the Coal Mine?, Stanford Digital Economy Lab, 2026-08 修订；Anthropic, Labor market impacts of AI, 2026-03
II岗位表上多了一类
数字员工，有岗位、有考核、有上级
纽约梅隆银行 · 2026 年初
134个
数字员工，各有岗位，按表现考核
一位支付运营主管
9个
手下几千名员工之外，还管着 9 个数字员工
- 有些活去年还是人干的 几乎全员上过 10 小时的内部 AI 平台培训，让不写代码的人自己自动化手上的活
- 人头的账要分开算 员工从约 5.34 万降到 4.81 万，CFO 却说人头下降和 AI 还没什么关系
- 国内也写进了工种表 人社部 7 月公示的新工种里，有一个叫智能体开发员
微软 2025 年的工作趋势报告给这种人起了个名字，agent boss。每个人都要会搭建、委派、管理智能体。
CNBC 2026-02-09 纽约梅隆银行数字员工报道；工人日报 2026-07-22 人社部拟增新职业与新工种；Microsoft Work Trend Index 2025-04-23
III
PART III / IV
职业角色的重塑
重复的活先被接走了，新手拿什么练
练对了留下判断，练错了什么也没留下
练对了留下判断，练错了什么也没留下
III先问一个问题
新手变熟手，靠的是那些重复的活
过去
重复就是学费
- 新人从最枯燥的那一段做起，抄、对、改，再来一遍
- 做够几百遍，手上才有感觉，才看得出哪里不对
- 学费交完，才有资格做判断
现在
学费被免掉了
- 最先被接走的，正好是这一段
- 活干完了，手上什么也没留下
- 省下的时间里，有一部分本来是练本事的时间
那么，一个人在这样的环境里，怎么刻意把这一段练回来？
说不清怎么练，是因为只看结果成没成。换一个问法，看这一次练完，你多了什么。
III练的结果分四种
做成了，不等于学会了
当下 · 做成了
当下 · 没做成
长期
学会了
学会了
有效成功
下了功夫，做成了，也学会了
有效失败
起初做不好，自己摸出原因，下次不再犯。最该重视
长期
没学会
没学会
无效成功
结果看着成功，自己没长东西。用 AI 最容易掉进这一格
无效失败
没用心，混过去，什么也没留下
今天 14 组里，如果问一句这段为什么这么拆就答不上来，那就是无效成功。讲得出哪里不行，才说明真做进去了。
四格见 Kapur, Learning from failure across multiple levels, Educational Psychologist 51(2), 2016；复旦赵斌《AI 最可怕的，不是取代你，而是让你无效成功》，B 站 BV1f7aw6nEip，2026-09-26
III把学费交回去
刻意造一次有效失败
1
先自己做到卡住，答案先别打开
2
给自己定一个时限，超出也算做到
3
带着具体卡在哪，再去问 AI
4
关掉 AI，复盘，重做一遍
5
回头挑它的错，挑得出来才算真会
每周挑一件本来要直接交给 AI 的小事，按这个顺序走一遍。本事是在卡住的那一段长出来的。
科室里也一样。把新人放到没有现成答案的那一段，允许他做慢、做错，比让他跑一遍已经跑通的流程更有用。
III岗位里的活怎么换
执行交出去以后，人手上剩四样
定定标准写清要什么
什么样算合格，写下来才交得出去。第 1 次课四个判断标准的第二条，说不清就没法验收
编编排拆活、派活
一件活拆成几段，哪段给技能、哪段给子代理、哪段留给人。第 5 次课派过一队子代理
验验收看得出好坏
它交回来的东西，你看得出对不对。看不出，就是把判断权交了出去
签担责每件事一个直接负责人
安联理赔七个智能体分管各环节，付不付由理赔员定。金融监管总局要求高风险环节有人工监督和干预
这四样，正好是第一部分说的规则那一侧。模型越强，写规则、守规则的人越要紧。
Allianz 新闻 2025-11-03；国家金融监督管理总局《关于银行业保险业人工智能安全开发应用的指导意见》，新华社 2026-06-18
III一个没人回答的问题
今天不招新人，五年后谁来审 AI 的活
斯坦福 · 2026-08 修订版的新发现
依赖写得下来的知识（教科书、文档能教的）的岗位，年轻人在减少；依赖靠实践和带教攒的知识的岗位，资深员工在增加。
交出去的，正是过去新人练手的那一段
Bastani 等 · PNAS · 2025 · 近 1,000 名高中生
+48%
练习时放开用 GPT-4
−17%
闭卷考试比没用的低
用 AI 做完了，学会的反而少
李开复的说法是，「有了AI，企业不再需要新人作会议纪要，不代表企业就不需要新人了。」零一万物新招的 4 名应届生，直接当 DRI（直接负责人）来培养。
经济观察报专访 · 2026-07-30
Brynjolfsson, Chandar, Chen, Canaries in the Coal Mine?, 2026-08 修订；Bastani 等, Generative AI without guardrails can harm learning, PNAS 2025
III人留下什么
什么会随模型变强而升值
持续贬值
- 某个软件的操作技巧
- 替当前模型补短板的提示词和技能，半年前学的，多半已经用不上
- 写套话材料、调格式的熟练度
持续升值
- 对业务的理解和问题意识，知道什么值得做
- 任务定义与验收标准，知道什么算对
- 你和单位攒下的数据、记录、纪要
- 为结论签字的那份判断
模型是公共品，谁都买得到。写进文件的规则和攒下的数据，才是自己的资产。
记住一句
执行可以交出去，
判断和数据留在自己手里
AI 出初稿，签字的还是人
IV
PART IV / IV
课程回顾
八个半天，三层台阶，一条理念
工具会换，留下来的是什么
工具会换，留下来的是什么
IV八个半天
八次课，你手上多了什么
第 1 次课
认识智能体与应用场景
四个判断标准；一份写着你是谁、你的口径的 AGENTS.md
用工具的人
第 2 次课
理解技能与确定场景
装上别人的技能，看懂渐进式披露；定下本组场景
用工具的人
第 3 次课
造自己的技能，接上数据
造一个、改一个技能；接上腾讯文档等连接器
造工具的人
第 4 次课
自动化办公与团队协作
给一张月报设闹钟；全班进同一个项目
造工具的人
第 5 次课
个人知识库与多子代理
派一队子代理分头干；搭一个自己的知识库
造系统的人
第 6 次课
企业分享 · 极视角
看智能体在行业里怎么落地，上手搭一个
带回工位
第 7 次课
常驻智能体
手机找得到的本地助理；往云端派活，先管住它
造系统的人
第 8 次课
主题分享与结课展示
从一个人用好智能体，到一个单位怎么转；14 组的作品
带回工位
三件作业串在里面：作业一三个技能一件作品，作业二给技能接上真实数据，小组作品今天交卷。
IV三层台阶
三层走完，就是 AI CEO
身份从执行者变成组织者。第一层到第二层的门槛只有一个动作，把重复说的话写进文件。
IV贯穿全课的一条
它此刻看得到什么，决定它做得成什么
这三种失败，第 1 次课的接龙当场做过。后面的技能、知识库、子代理，都是同一个问题的不同解法。
IV带回工位
工具会换，这几件事不会变
会变的
- 界面、菜单和功能的名字
- 技能商店里能装的技能
- 模型的能力边界和价格
- 今天用 WorkBuddy，两个月后可能换一个
不会变的
- 把活说清楚，背景、任务、输入、约束、格式、自检
- 判断什么值得交，过一遍四个判断标准
- 先定验收标准，每个数字回得到来源
- 规矩和记录留在文件里，换了工具也带得走
回到单位，先挑一件每周都要做的活，按这四件事从头走一遍。
谢谢。
八个半天的课件、教材和作品，都在这几个地址
课程资料 ai.lingnan.top/materials/2026-autumn-mde
教材 ai.lingnan.top/book
小组作品 show.lingnan.top
教材 ai.lingnan.top/book
小组作品 show.lingnan.top
张一帆 中山大学岭南学院
AI岭南学院