代理规模的经济学：Token、ROI与为AI优先团队构建平台（下）
内容提要
Google高管Andi Gutmans在播客中讨论AI代理规模化经济学，指出模型能力已足够，关键在于以最低成本获取最少必要上下文，而非追求token最大化。他强调成本治理在代理规模下至关重要，需将代理视为独立角色构建平台支持。建议企业关注ROI，利用周末原型快速验证想法，并指出计算机科学基础、代理素养和商业判断对新人同样重要。
延伸解读
成本治理：从人力规模到代理规模的关键转变
文章指出，当企业从少量人工操作转向数十甚至数百个代理时，成本治理变得至关重要。代理可以全天候工作，点击速度远超人类，若不加以控制，容易陷入成本螺旋。Gutmans强调，企业需要明确每个代理的ROI，避免追求token最大化，而应关注是否以最低成本获得差异化结果。这要求平台团队建立相应的治理机制，确保代理的使用在可控范围内。
平台工程的新角色：将代理视为独立用户
Gutmans提出，平台工程团队需要将代理视为一种新的“角色”，与开发者、数据科学家等并列。这意味着需要为代理构建专门的基础设施，包括安全、治理、成本监控和可观测性工具。传统面向人类的开发工具不能直接套用，但安全、成本、可用性等大类仍然适用。平台团队还需考虑如何让代理与人类操作者协同工作，确保意图驱动的结果能够顺利实现。
快速原型验证：降低AI项目风险的有效方法
Gutmans分享了一个周末构建原型的例子，用以快速验证想法并降低设计风险。他认为，AI使得实验成本大幅降低，企业可以更早地发现错误判断，避免等待数月后才意识到方向错误。这种快速迭代的方式不仅节省时间，还能在早期阶段暴露潜在问题，从而减少资源浪费。对于希望采用AI的企业来说，这种低成本试错策略值得借鉴。
Q&A
为什么说模型本身不再是瓶颈，真正的挑战是什么？
Andi Gutmans认为，对于许多自动化任务，现有模型已经足够好，真正的挑战在于如何以最低成本获取最少必要上下文来获得可靠结果，而不是追求token最大化。
什么是“token maxing”？为什么说它是错误的目标？
“Token maxing”指的是追求处理更多token，但Andi认为这并非目标，因为关键在于是否获得差异化结果以及投资回报率，而不是token数量。
在代理规模下，为什么成本治理如此重要？
因为代理可以24/7工作，速度远超人类，一个员工可能管理数十甚至上百个代理，企业内可能有数百万代理，如果不加以治理，容易陷入成本螺旋。
Andi Gutmans如何验证新想法？他提到了什么方法？
他提到自己利用周末时间快速构建原型来验证想法，这比过去花3-4个月让工程师开发原型更快，能提前发现设计风险，降低试错成本。
平台工程团队需要为AI代理构建哪些新工具？
需要将代理视为独立的“角色”来服务，构建包括安全治理、成本管理、可用性和可观测性等方面的工具，确保代理在生产环境中可靠运行。
Andi Gutmans对刚入行的计算机科学学生有什么建议？
他建议学生重视计算机科学基础，同时掌握代理式编码技能，并理解商业问题，因为商业判断力与技术水平同样重要。
