KeyFrame內部研究專用

AI使用范式转型:从Chat转向Agent

白白说大模型8 min中文
觀看原始影片

三句話摘要

從 Chat 到 Agent:通過本地化部署實現 5-10 倍生產力跨越 本地化 Agent 的核心就是讓 AI 從無狀態聊天轉向基於本地上下文的深度協同,通過分層記憶和探索→規劃→執行循環,將生產力從 20% 跳躍到 5-10 倍。 Chat 的致命局限是隔離。網頁版 AI 與用戶的本地環境完全隔離,無法記住用戶身份、最近工作或長期計畫,導致每次對話都要重複提供背景信息。Agent 通過嵌入本地環境,直接接入工作軟件和文件,使 AI 成為真正的協同者而非局外人。

重點整理

  1. Chat 的致命局限是隔離。網頁版 AI 與用戶的本地環境完全隔離,無法記住用戶身份、最近工作或長期計畫,導致每次對話都要重複提供背景信息。Agent 通過嵌入本地環境,直接接入工作軟件和文件,使 AI 成為真正的協同者而非局外人。

  2. 分層記憶機制是 Agent 的核心架構。第一層核心指令層常駐,存放學習計畫和階段目標;第二層動態上下文按需加載,包含當前工作內容;第三層歸檔檢索在主動查詢時啟動,存放歷史記錄。這樣既避免資源浪費又保證精準響應。

  3. 探索→規劃→執行循環保證輸出品質。Agent 不會立刻回答,而是先讀取本地數據進行探索,再比對當前進度與長期目標進行規劃,最後才針對性地執行。這種分離模式杜絕了 AI 下筆亂說的問題。

  4. 低門檻實現方案讓普通人也能部署。用 Obsidian 管理本地數據、Codex/Tree 做環境感知和權限控制、Deepseek V4 Pro API 作推理引擎,三個工具組合即成完整架構,對普通人來說毫無門檻。

實用技巧與重點

  • 關鍵工具
  • Obsidian(本地文件管理)
  • Codex 或 Tree(環境感知與權限控制)
  • Deepseek V4 Pro API(推理引擎)
  • 文件夾結構
  • 四個核心模塊:計畫、筆記、目標、復盤記錄
  • 工作流三步
  • 建立結構化文件夾
  • 每次啟動前動態預讀工作區目錄和核心說明文件
  • 給出具體指令交互(如「我現在學到哪兒」「哪裡沒搞懂」「今天最該做什麼」)
  • Agent 三層記憶
  • 層級一:核心指令層(常駐)
  • 層級二:動態上下文(按需加載)
  • 層級三:歸檔檢索(主動查詢觸發)
  • 工作循環
  • 探索(讀取本地數據)→ 規劃(生成方案)→ 執行(針對性回答)
  • 效率差異
  • Chat 模式:約 20% 提升
  • Agent 本地協同:5-10 倍提升
  • 進階路線三層級
  • 基礎認知層:理解大模型原理、學會提供高質量上下文
  • 知識增強層:搭建本地知識庫、優化 AI 檢索機制
  • 架構開發層:自行開發專屬 Agent、介入複雜自動化工作流

結論

本地化 Agent 的核心就是讓 AI 從無狀態聊天轉向基於本地上下文的深度協同,通過分層記憶和探索→規劃→執行循環,將生產力從 20% 跳躍到 5-10 倍。

完整解析

當前大多數人使用 AI 停留在網頁版 Chat 階段。每次打開聊天框,AI 都像第一次認識使用者一樣,無法記住身份、工作內容或長期計畫。這是因為網頁版 AI 與本地環境完全隔離——學習計畫、項目代碼、筆記文檔等全在用戶電腦裡。結果導致三個問題:沒有記憶、上下文斷裂、目標脫節。用戶每次都要寫冗長背景、複製粘貼本地資料,生產力僅提升 20%。

要打破這種局面,需要從 Chat 轉向 Agent 模式。Agent 的本質是將 AI 嵌入本地環境,讓它直接接入工作軟件和文件。一旦 AI 能讀取本地代碼、計畫和文檔,情況完全改變:無需寫繁琐提示詞,背景信息已在本地文件中;AI 獲得深度感知,知道用戶哪些筆記是重點;AI 掌握全局視野,記得上週進度和下週安排。此時 AI 才能從聊天局外人變成高效協同的局內人。

Agent 的核心是分層記憶機制。它不是把所有文件塞給 AI,而是分成三層:核心指令層常駐存放學習計畫和階段目標,無論何時都被牢記;動態上下文按需加載,包括當前寫的章節、今天改的代碼、本週筆記;歸檔檢索在用戶主動提問時才搜索歷史復盤和舊記錄。這樣既節省資源又精準響應。Agent 工作遵循嚴謹循環:探索(自動讀取本地筆記、目標、復盤)→ 規劃(比對進度生成方案)→ 執行(針對性回答或生成文件)。這種模式最大程度避免 AI 胡說八道。

實現這套系統門檻很低。用戶只需三個工具:Obsidian 管理本地 Markdown 文件夾,Codex 或 Tree 做環境感知和權限控制,Deepseek V4 Pro API 作推理引擎。具體搭建分三步:第一步在 Obsidian 建立結構化工作區,至少包含計畫、筆記、目標、復盤四個模塊,文件夾越清晰 AI 讀取越高效;第二步是動態預讀,每次啟動 Agent 前先讓它完整掃描工作區目錄和核心說明文件,相當於把工作環境和規則載入 AI 短期記憶;第三步是精準指令交互,用戶不再問籠統的「幫我整理」,而是給出具體指令如「我現在學到哪兒、哪裡沒搞懂、今天最該做什麼」。Agent 接收指令時自動觸發本地讀取,快速生成明確執行項。用戶可把 AI 當成項目經理,指令越具體,本地檢索就越精準。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。