我觉得 agent 发展到今天，真的还是「看山是山 -> 看山不是山 -> 看山还是山」 最早没有 tool 的时候，是 dify 的上下文管道和各种靠 json 解析的 multiagent workflow 后来从 claude code 到 openclaw，大家觉得龙虾 / hermes + skill 可以做任何事情，实在不行我们还有 harness 自进化 skill，多么诱人的前景，app 不存在了！ 现在又慢慢意识到，…

事件核心：发生了什么

8 月 2 日，AI 从业者 Yuu💖（@QuantumTransf）在 X 上发布了一条关于 agent 开发范式演变的观察，获得了 3.8K 次浏览和数十位从业者的认同。她将这段历程比作“看山是山 → 看山不是山 → 看山还是山”三个阶段：第一阶段是没有 tool 的年代，大家靠 Dify 这类上下文管道和 JSON 解析来搭建 multi-agent workflow；第二阶段从 Claude Code 到 OpenClaw 等产品出现，业界一度相信“模型 + skill”可以完成任何任务，甚至借助 harness 自进化 skill 来扩展边界，“App 不存在了”成为当时诱人的想象；第三阶段则是当下的重新认知——agent app 并不是“agent + CLI”那么简单，而是需要针对具体场景编写确定性的程序来注入上下文，而不是只依赖 memory 让模型自由发挥。她特别指出：“没有幻觉最好的解决方式就是没有对应的上下文。”

为什么重要

这条观察的价值在于它捕捉到了 agent 开发从“浪漫化”走向“工程化”的关键转折。过去两年，行业中对 agent 的主流叙事是“模型足够强就能自主完成一切”，但在真实产品中，纯靠模型自由推理往往带来不可控的输出和幻觉问题。Yuu 的观点代表了一批一线开发者的反思：与其让模型在开放语境中“什么都能做”，不如把 agent 的核心定义为“语义转化层”和“UX 层”——模型负责理解用户意图并把结果转化为自然语言，而具体流程由确定性程序来保证。这意味着 LLM 的产品定位正在回归其本质：它是一个优秀的语言模型，而不是一个需要承载所有逻辑的通用推理引擎。对技术路线的影响是，未来 agent 框架的设计会更重视上下文工程和确定性编排，而非单纯堆模型能力。

对用户/开发者/创作者的影响

对开发者而言，这意味着构建 agent 应用时需要调整架构思路：把关键业务逻辑写成可验证的确定性程序，将 LLM 限定在语义理解、意图识别和结果转译等语言相关环节，而不是让模型直接操控所有流程。对普通用户和创作者来说，这反而是一个积极信号——当 agent 不再“自由发挥”，产品输出的可靠性和可预测性会提升，AI 助手才能真正进入工作流承担具体职责。Yuu 在回复中也指出“真的是 ux”，暗示 agent 的竞争焦点正从底层模型能力转向交互体验与场景适配。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

目前公开信息显示，这仍然是一条个人观察而非产品官宣，但其中释放的趋势值得跟进：第一，Dify、Coze 等 agent 平台是否会推出更细粒度的“确定性插件”机制，让开发者能在流程中精确控制模型介入的边界；第二，Claude Code、OpenClaw 等产品是否会调整定位，从“自主代理”转向“模型 + 工具链”的混合架构；第三，围绕“语义转化层”和 UX 设计的新一轮开发者工具与创业机会是否会冒出来。这些信号将验证“回归语言模型本身”是否真的成为行业共识。

来源：@QuantumTransf