读张小珺对话杨植麟：三个核心判断

来源：张小珺微信文章《和杨植麟时隔一年的独家对话：“站在无限的开端”》，公众号「语言即世界language is world」，2025 年 8 月 27 日。采访与原文作者为张小珺，受访者为杨植麟。以下是我的阅读理解。

这篇访谈给我的核心启发是：AI 的进步，要看它能否在真实任务中行动、接受反馈，并把学到的能力用到新问题上。 我最想记住三个判断。

1. Agent 的关键难题是泛化

杨植麟强调多轮工具使用，以及 Agent 面对陌生工具和任务时的泛化问题。这把注意力引向一个更实际的标准：换个环境之后，它还能不能把事情做好？

我的理解是，会调用工具只是起点。假设 AI 能完成一次订单修改，换一套接口、遇到同名对象或执行超时后，它是否仍能理解规则、核对结果，才更接近可委托的能力。

因此，评估 Agent 应重点看陌生任务中的适应和纠错。 工作时间更长、调用次数更多，都需要用最终结果证明价值。一次漂亮演示，还不足以说明持续可靠。

访谈中的一方产品思路，是让模型在设计好的工具和上下文环境中训练，从而减少训练与使用之间的差异。

我认为，这种优势来自共同优化：工具不好用，可以改工具；模型理解有偏差，可以调整训练。产品能力的一部分，提前进入了模型研发过程。

但我对“模型即产品”保留一个边界：模型完成任务的能力，仍要经过完整工作流程才能成为产品价值。 权限、用户验收、失败接管和交付成本，都需要有人设计和负责。

对应用团队而言，值得追问的是：自己掌握的业务规则、数据和服务入口，究竟让哪类工作完成得更好？这比笼统讨论应用会不会被模型替代，更有助于决定投入。

访谈指出用户反馈存在噪声，同时用户需求可以帮助建立评估。这提醒我：使用量增长，与获得可用的学习信号，并不是同一件事。

例如，用户没有继续追问，可能是满意，也可能是放弃。只有知道结果哪里错、为什么被修改，团队才更容易判断该改模型、工具，还是需求理解。

我更看重一条能检验改进的路径：真实任务 → 明确反馈 → 调整方案 → 再次验证。 AI 参与研发，也需要证明修改确实带来了收益；组织管理同样需要允许失败和坏消息进入决策，避免只追逐好看的指标。

对我而言，这三个判断最终落实为三个问题：换个任务还能做好吗？用户拿到的是完整成果吗？下一次改进有可靠依据吗？ 它们会成为我观察 AI 产品时优先检查的重点。

本文讨论的是 2025 年访谈中的观点，不是当前产品实测。微信直连受限，内容通过公开转载、页面存档及作者同集播客说明核对；文中案例为理解用的假设。