KeyFrame內部研究專用

Your Finance Agent's Bottleneck Is You — Ramana Siddanth Emani, Auditoria AI

AI Engineer英文
觀看原始影片

三句話摘要

開發者是生產級AI代理的瓶頸——通過子代理、工作樹與自動化循環提升10倍開發效率。 把開發加工線完全自動化後,人類應從速度的天花板轉變為品質的驗證者,用目標和循環讓代理自主解決問題,才能真正實現10倍開發效率。 瓶頸轉移:美化示範容易,但投入生產碰到未見過的數據就失敗。解法不是等新模型或換框架,而是開發者必須自動化開發迴路本身。

重點整理

  1. 瓶頸轉移:美化示範容易,但投入生產碰到未見過的數據就失敗。解法不是等新模型或換框架,而是開發者必須自動化開發迴路本身。

  2. 四大基礎設施:子代理負責獨立任務平行執行(48GB RAM的MacBook可跑50個active work trees),工作樹提供隔離開發空間,技能庫是組織的祕方工作流程,MCP工具連接第三方系統讓agent存取任意數據源。

  3. 人類角色重新定義:修bug的9步流程(從解析需求到部署上線)中,人類只需在開始(理解任務)和結束(驗證上線)參與,中間環節包括root cause分析、測試、PR提交都由agent執行。

  4. 自我改進迴路:agent分析生產失敗點、列出瓶頸、逐日移除——一個月後可實現「單句指令即自動修bug」的完全自動化,人類只需設定目標讓agent在背景自我升級。

實用技巧與重點

  • 講者:Siddhanthi Mani,Auditoria AI數據科學家(金融領域生產agent)
  • 可並行運作子代理數量:48GB RAM MacBook = 50個active work trees
  • Bug修復流程步驟:需求解析 → Root cause分析 → 日誌/追蹤 → TDD → 實現修復 → 本地測試 → PR → 代碼審查 → 合併 → Docker構建 → 開發環境測試 → 預發布環境測試 → QA驗證(共9步)
  • 人類介入點:步驟1(理解任務)和步驟9(驗證)
  • 提到的模型:Fable 5、Mythos 5、GPT 5.6
  • 組織實踐:最小化UI(單一macOS widget匯集Kubernetes儀表板、日誌、Jira票、Github PR)
  • 金融合規考量:審計員代理(audit agent)和控制員代理(controller agent)負責SOX合規簽核

結論

把開發加工線完全自動化後,人類應從速度的天花板轉變為品質的驗證者,用目標和循環讓代理自主解決問題,才能真正實現10倍開發效率。

完整解析

現實中的問題是:再漂亮的AI示範一旦進入生產環境、面對真實客戶數據時就會失敗。業界往往認為需要更好的模型或更快的GPU,但講者指出瓶頸不在此——模型三個半月更新一次、芯片一年升級一回、框架每天都有新品,這些都很容易替換。真正的問題是開發者無法跟上生產bug的修復速度。

解決方案的核心是構建一個自動化的開發者加工線。講者提出四個關鍵原始概念:首先是子代理(sub agents),現代harness允許你生成一整支代理軍隊;其次是工作樹(Git work trees),把這些獨立的代理放在隔離的文件夾內平行工作,避免互相干擾;第三是技能庫(skills),這些是組織的祕密工作流程配方,一旦交給代理就能確保它選擇正確的解決方案;最後是MCP工具生態,讓代理連接任意第三方系統(日誌系統、認證閘道、客戶數據庫)。

具體運作的例子是修復bug的完整流程。QA報告bug時,代理自動解析需求、進行根因分析、拉取所有日誌和追蹤、撰寫測試、實現修復、執行本地端對端測試、建立PR、推送到GitHub。這個9步流程中,人類只需要在第一步(理解任務)和最後一步(驗證修復已在預發布環境就緒)參與——其他所有工作都由代理執行得更好。講者用一張單一的macOS widget示意圖展示極簡UI的威力,開發者無需在多個窗口間轉動椅子。

進一步的願景是移除人類出循環。隨著模型能力不斷升級(Fable 5、GPT 5.6等),可以給代理設定目標、啟動自動化循環,讓它在背景自我改進。代理持續收集生產失敗點、分析瓶頸、逐日移除這些障礙。一個月後,系統變成完全自動化——開發者只需打出一句指令「修這個bug」就能看著代理自動連接數據庫、獲取日誌、修復代碼、部署上線,人類從此可以放假或居家辦公。更進階的是「夢想」機制:當許多客戶在背景運作同樣的模式和遇到相同問題時,代理可以在後臺收集這些會話、匯總成數據點,讓系統自我升級。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。