嘉賓 | 范文棟

對話 | 唐小引

責編 | 鄭麗媛

出品 | CSDN（ID：CSDNnews）

今年 3 月，Manus 的橫空出世，引爆了新一輪的 AI Agent 熱潮。

人們驚訝地發(fā)現(xiàn)，原本復雜繁瑣的任務流，如今一個 Agent 就能自動規(guī)劃、調(diào)用工具、執(zhí)行操作，甚至還能主動 Debug 和自我修復——生成式 AI 從“語言理解”向“任務執(zhí)行”演化，Agent 也不再是只能聊天的大語言模型，而是可以“動手做事”的數(shù)字助手。

然而，在這場技術熱潮中，質(zhì)疑與分歧也接踵而至：“Agent 的 Scaling Law 是否存在”、“通用Agent是否真的可行”，這些問題引發(fā)了廣泛的爭議與探討。一方面，部分研究者堅信，隨著模型技術的進步，Agent 將能實現(xiàn)從特定任務向通用能力的跨越；而另一方面，也有聲音指出，所謂的“通用 Agent”，或許只是一套被過度期許的工程幻象。

為了解答這些技術爭議，由 CSDN 主辦的《萬有引力》欄目在的現(xiàn)場特別邀請到了CAMEL AI核心成員，CAMEL、OWL 開源項目核心開發(fā)者和維護者范文棟。作為一個 96 年出生、從開源社區(qū)一路走到前沿 Agent 工程一線的年輕技術人，范文棟參與了從 CAMEL、OWL 等多個項目，也親歷了這一波 Agent 技術從探索到爆紅的全過程。那么接下來，就讓我們在CSDN &《新程序員》執(zhí)行總編、《萬有引力》主理人唐小引的主持下，看看范文棟眼中的 Agent 未來將如何發(fā)展？

AI 產(chǎn)品爆發(fā)，但你的痛點解決了嗎？8.15-16 北京威斯汀·全球產(chǎn)品經(jīng)理大 會 PM-Summit，3000+ AI 產(chǎn)品人社群已就位。
直面 AI 落地難題、拆解頭部案例、對接精準資源！

掃碼登記信息，添加小助手進群，搶占 AI 產(chǎn)品下一波紅利：

進群后，您將有機會得到：
· 最新、最值得關注的 AI 產(chǎn)品資訊及大咖洞見
· 獨家視頻及文章解讀 AGI 時代的產(chǎn)品方法論及實戰(zhàn)經(jīng)驗
· 不定期贈送 AI 產(chǎn)品干貨資料和秘籍

以下為對話內(nèi)容（為方便閱讀，進行了適當?shù)奈谋緝?yōu)化）：

“0 天復刻Manus”的OWL，十天斬獲 1w+ Star

唐小引：我們今天將圍繞「如何構建 AI Agent」以及「開發(fā) Agent 背后的技術故事與人物」展開分享。文棟，先和大家打個招呼吧，也介紹一下你最近負責的開源項目？

范文棟：大家好，我是范文棟，CAMEL-AI 的核心貢獻者，也是 Eigent AI 的技術負責人（Tech Lead）。

相信大家都知道，前陣子有個叫 Manus 的項目很火。而我們 CAMEL 社區(qū)此前發(fā)布了一個名為 OWL 的開源項目，它在權威評測榜單 GAIA Benchmark 上曾位列第一，是最強的開源 Agent 之一。當時，我們打出了“0 天復刻”的口號，好像這個項目很快就做出來了，但其實有點標題黨——之所以能如此快速發(fā)布 OWL，是因為我們過去已經(jīng)做過相應的工作，才能快速迭代。

其實，CAMEL 做 Agent 已經(jīng)兩年了。可能很多人都不知道，CAMEL 框架是在 23 年 3 月推出的，也是世界上第一個多智能體框架，所以其實我們已經(jīng)有了兩年的積累。當 Manus 項目出來以后，我們看到 CAMEL 框架中已有的模塊能夠非常快速地復現(xiàn)類似能力，所以就很快地推出了 OWL 這個框架。

唐小引：我看到有小伙伴把文棟的項目名字發(fā)出來了，不過拼寫上有點小誤。我來大致梳理一下這個背景：前段時間，大家應該對通用 Agent 項目 Manus 有印象。Manus 是一個閉源項目，它的核心作者季逸超曾表示，未來可能將 Manus 開源，但截至目前我們還沒有看到正式發(fā)布的開源版本。

當時，Manus 的邀請碼異常緊缺，可謂一碼難求。正是在這個背景下，我們看到了開源社區(qū)的力量：包括文棟所在的 CAMEL AI 團隊，以及 MetaGPT 團隊，都在極短的時間內(nèi)完成了對 Manus 的開源復現(xiàn)，并將項目發(fā)布到了 GitHub 上。其中，文棟團隊推出的就是 OWL 項目。

范文棟：是的，OWL 作為一個開源項目，在推出以后受到了大量社區(qū)開發(fā)者的關注與反饋，我們也根據(jù)這些意見進行了多輪迭代和優(yōu)化。當然，OWL 在推出之初的整體成熟度確實不如 Manus，畢竟是一個在短時間內(nèi)完成的項目。

但我們構建 OWL 的初衷，也并不是要和 Manus 去比拼產(chǎn)品化能力，而是希望能為開發(fā)者提供一個真正開源、可拓展的基礎框架，讓大家能基于OWL去做二次開發(fā)和構建，例如結合自身業(yè)務需求，去構建更加深入的使用場景和應用。

唐小引：可以跟大家分享一下 OWL 項目開源之后的情況嗎？我記得當時社區(qū)反響非常熱烈，你們在開源 OWL 之后應該特別忙，可以講講你們收到的社區(qū)反饋和那段時間的心路歷程嗎？

范文棟：當時我們項目剛上線，僅十天時間就在 GitHub 上獲得了一萬個 Star，吸引了大量開發(fā)者的關注。這個數(shù)字甚至都反超 CAMEL 了。要知道，作為第一個多智能體框架，CAMEL 積累了兩年的 Star 數(shù)，在短短十天內(nèi)就被 OWL 超越，也說明了大家對這個方向的高度關注。

那段時間，很多人加入了我們的社區(qū)，反饋非常多，GitHub 上也出現(xiàn)了大量 Issue。我那時還跟團隊的小伙伴開玩笑說，我每天醒來都要多當五六個小時的客服，消息根本回不過來。大家在剛開始使用 OWL 時，確實可能會遇到各種問題，比如與模型部署相關的操作，或者海外 API 使用不便等等。當時，我們在幾天內(nèi)就關閉了 GitHub 上 200 多個 Issue，不過這還只是 GitHub 上的，微信群里的反饋更多，保守估計能有上千、甚至上萬個。

唐小引：在 GitHub 上，有沒有哪些讓你印象深刻的反饋或者 PR提交？

范文棟：OWL 項目剛上線的時候，它還是一個只能通過本地 IDE 運行的形態(tài)，并沒有 Web App，所以使用起來不是那么方便，尤其是對于剛開始接觸 Agent 開發(fā)的小伙伴來說。隨后，我們團隊就開發(fā)了一個 Web App，雖然初期版本還不夠成熟，但得到了社區(qū)的積極反饋。例如，有開發(fā)者提交了改進 UI/UX 的 PR，幫我們優(yōu)化了整體的交互體驗。

現(xiàn)在的 Web App 雖然還有提升空間，但相比剛上線時已經(jīng)有了很大進步。這也充分體現(xiàn)了開源社區(qū)的力量，大家都非常踴躍地提交 Issue、貢獻 PR，幫助項目不斷完善。

唐小引：那現(xiàn)在 OWL 的迭代工作，主要是你們團隊在做，還是已經(jīng)可以依靠社區(qū)的力量，由更多開發(fā)者提交 PR，而你們主要負責代碼審核和合并？

范文棟：對，沒錯。OWL 剛推出的時候，我們把一些 Open Issue 放在 GitHub 主頁，現(xiàn)在項目底部也仍然保留了一部分。當時社區(qū)響應非常快，我們有時會一次性發(fā)布三五個Issue，十幾分鐘就會有開發(fā)者在下方留言“認領”，并提交相應的貢獻。

前段時間，我們的主要工作就是在社區(qū)中回復各種 Issue 和用戶問題，同時把一些希望新增的功能以 Issue 的形式加在 README 中。開發(fā)者認領之后，我們會主動聯(lián)系他們并提供一些支持，包括代碼審查等。

唐小引：有沒有哪些比較關鍵的迭代可以和大家分享？或者說，OWL 是否有類似 OpenManus 那樣的Roadmap，對后續(xù)方向有一定的規(guī)劃？

范文棟：有的，我們在 OWL 剛上線時就進行了整體重構。第一版 OWL 是基于 CAMEL 的 RolePlaying 模塊開發(fā)的一個版本，叫 OWL RolePlaying。當時，我們希望它能在 GAIA Benchmark 上取得好成績，所以整體調(diào)教非常注重性能，可在實際使用中用戶會發(fā)現(xiàn)資源消耗很高：為了確保任務順利完成，中間會進行一些重復驗證，導致 Token 消耗偏高。

所以，后來我們進行了一些更平衡的設定和優(yōu)化。如果大家想體驗性能最強的版本，可以切換到 GAIA-58.18 這個分支；而 Main 分支并非性能最優(yōu)版本，但勝在成本控制和穩(wěn)定性，整體更加均衡。這是我們前段時間一個比較重要的更新。

另一個比較核心的是OWL Agent使用工具的更新。例如 Browser 工具，它允許 Agent 打開瀏覽器，執(zhí)行自動化任務，目前這一模塊還在持續(xù)迭代中。此外，Terminal 工具也是非常重要的更新，它支持 Agent 調(diào)用終端，自主安裝依賴庫并執(zhí)行代碼。我們更新完 Terminal Tool Kit 后做了一個測試：讓這個 Agent 自行安裝一個處理 PDF、Slides 相關的庫，然后再讓 Agent 獨立生成一個 PPT，它也很好地完成了任務。

關于 OWL 的 Terminal Tool Kit，其實還有一個故事。很早以前，我們的 Founder 李國豪（CAMEL-AI.org社區(qū)創(chuàng)始人）就在 GitHub 的 Roadmap 里寫下了這個 Tool Kit——那時甚至連模型的工具調(diào)用功能都還沒完善，但他當時就判斷Terminal工具會是一個非常強大的能力。不過這個事情大家之前都沒有意識到，直到后來 OWL 和 Manus 受到廣泛關注以后，我們才發(fā)現(xiàn)這個工具原來真的那么強。

“為愛發(fā)電”走入開源社區(qū)，最終全職投身 Agent 研發(fā)

唐小引：接下來，我們來聊聊“人”的故事。文棟是國豪推薦給我的，我最開始就問：“文棟是哪年出生的？”因為我發(fā)現(xiàn)現(xiàn)在 AI 圈里很多核心開源項目的主創(chuàng)都非常年輕，像文棟你就是 1996 年出生，是非常典型的一位新生代代表。

所以文棟，可以請你跟大家分享一下你的成長經(jīng)歷嗎，比如你是如何走上 AI 這條技術路線的？以及，了解到你是遠程工作，你和 CAMEL AI 團隊現(xiàn)在的協(xié)作方式又是怎樣的？

范文棟：好的，我先介紹一下我是怎么一步步從接觸 AI 走到現(xiàn)在的。

我本科讀的是一個比較傳統(tǒng)的工科專業(yè)，并非計算機相關。記得我大二那年，正值 AlphaGo 剛剛推出，我當時在看直播，看到最后AlphaGo戰(zhàn)勝李世石，那一刻給我?guī)砹藰O大的震撼——原來 AI 可以做到這種程度，連人類頂尖智慧也能被挑戰(zhàn)。從那時起，我開始對 AI 產(chǎn)生濃厚興趣。

研究生階段，我轉(zhuǎn)向了和算法相關的統(tǒng)計學，并選修了大量計算機相關課程，也開始從事 NLP 相關的研究。之后，我在愛爾蘭中央統(tǒng)計局實習，主要負責文本分類。當大語言模型橫空出世時，我又受到了二次震撼，覺得這個技術太厲害了。

在愛爾蘭中央統(tǒng)計局工作一段時間后，因為疫情、氣候等各種原因，后來我選擇了回國，并加入了巴斯夫中國數(shù)字化中心，擔任 AI 工程師，主要工作是給銷售、市場、生產(chǎn)、供應鏈等業(yè)務線開發(fā) AI 解決方案。不過，在大企業(yè)內(nèi)部，新技術的推進節(jié)奏通常較慢。

當 2023 年初生成式 AI 興起時，我內(nèi)心非常激動。當時我在團隊中承擔了一個利用生成式 AI 撰寫市場宣傳文案的項目，也讓我對這一方向產(chǎn)生了更深的興趣。我還利用業(yè)余時間，用 GPT 的 API 復現(xiàn)了一個我曾經(jīng)苦戰(zhàn)七個月的文本分類項目——僅用半天時間就完成了，準確率還更高。

從那之后，我便主動尋找一些與生成式 AI 相關、有技術挑戰(zhàn)的項目。我一開始用的是 LangChain，因為在前公司中也是用它做開發(fā)。但后面我逐漸意識到 LangChain 的一些局限性，例如抽象層次較多，修改起來也不太方便。

所以，我就開始尋找一些有意思的開源項目，因為我覺得開源才是能快速迭代技術能力、學到很多東西的地方。機緣巧合下，我在小紅書上看到了國豪。他說他當時也看到了我發(fā)的一篇吐槽 LangChain 的帖子，就主動私信我。他給我發(fā)了 CAMEL 的項目鏈接，我看到那個熟悉的駱駝 Logo 才想起來之前見過，但沒有深入了解。而和國豪聯(lián)系上之后，我開始仔細研究 CAMEL 的代碼，發(fā)現(xiàn)這實在是一個非常酷的項目。

當時我剛接觸 Agent，對它的認知還停留在傳統(tǒng)的生成式 AI 應用層面，比如用 LangChain 調(diào)用模型完成自然語言生成。但當時 CAMEL 已經(jīng)實現(xiàn)了多智能體之間的協(xié)同，可以用兩個 Agent 來完成一個復雜任務。我覺得這個東西太酷了，于是開始以志愿者身份在業(yè)余時間參與 CAMEL 的開發(fā)。后來，隨著對項目的投入越來越深，關系也越來越緊密，我最終決定在去年辭職，全職加入了 CAMEL AI 團隊。

唐小引：也就是說，你最開始是在開源社區(qū)中，是作為一個對項目非常感興趣的個人貢獻者參與進來的？

范文棟：對，一開始就是單純的“為愛發(fā)電”。直到現(xiàn)在，我的這份熱愛還在。

唐小引：我能從你身上感受到技術人所具備的那種自我驅(qū)動精神——Just for fun，就像 Linux 之父 Linus Torvalds 提倡的那樣，這也是開源社區(qū)最有魅力的地方。那現(xiàn)在CAMEL AI 團隊大概有多少人？團隊的規(guī)模和大家的分布情況是怎樣的？據(jù)我了解，國豪現(xiàn)在人在倫敦。

范文棟：我們團隊的規(guī)模其實還比較小，也很年輕，成立至今僅一年左右。目前整個團隊大約有 20 多人，這其中還包含了不少實習生和兼職，真正的全職成員只有五位。

核心團隊的人員分布也非常廣，我們還曾說自己是“日不落團隊”：有人在英國倫敦，有人在美國，還有人在澳大利亞，在印度和中國也都有一些小伙伴，涵蓋了全球很多主要時區(qū)。因此，我們的協(xié)作方式基本上是遠程線上為主。

我們的核心成員，大多都是從社區(qū)中轉(zhuǎn)化過來的開源貢獻者，比如我自己。此外，我們也在與很多高校的博士生和研究人員展開合作，希望通過這種方式接觸到更多非常優(yōu)秀、且對 Agent 感興趣的小伙伴，一起去探索和推動這個領域的進展。

探索“AgentScaling Law 是否存在”的實踐

唐小引：能和大家分享一下你在全球機器學習技術大會上的演講內(nèi)容嗎？你的演講主題是“從工具到自主化，構建更強大的 Agent 系統(tǒng)”，那么從“工具”走向“自主化”，這條路徑的技術挑戰(zhàn)和整體思路是怎樣的？

范文棟：我這次的演講主要圍繞我們正在研究的一個方向——AgentScalingLaw。我們都知道，模型的 Scaling Law 對應的是模型的參數(shù)量、訓練數(shù)據(jù)等。而在 Agent 系統(tǒng)中，我們提出了一個類比性的假設：Agent 的數(shù)量是否可能也像模型參數(shù)那樣，成為系統(tǒng)能力提升的關鍵因素？關于這一點，我們 CAMEL 也在 Agent 里探索著去構建環(huán)境與模擬系統(tǒng)等等。

唐小引：所以，你們是已經(jīng)發(fā)現(xiàn)Agent中確實存在類似于Scaling Law的現(xiàn)象了嗎？

范文棟：還不能這么說。我們目前還處在探索階段，不能斷言 AgentScaling Law一定成立。但我們確實在實驗中看到了多智能體的能力比單個智能體要強。比如我們之前在 CAMEL 的研究論文里也提過，在超過 70% 的任務場景中，采用兩個 Agent 協(xié)作的 RolePlaying 框架，任務完成效果明顯要優(yōu)于僅用一個 Agent 的。

唐小引：那你們團隊在探索 Agent Scaling Law 的實踐過程中，有哪些關鍵性的發(fā)現(xiàn)或經(jīng)驗可以和大家分享？

范文棟：首先是剛才提到的Agent 數(shù)量。我們之前參與發(fā)布了一個名為 OASIS 的項目，它是一個以大模型為基座的通用社會模擬平臺，支持多達 100 萬個 Agent 進行交互，我們通過支持大規(guī)模 Agent 的模擬來開展社會模擬研究。例如，在 X 或 Reddit 等海外社交平臺場景中，當部分 Agent 發(fā)表意見后，其他 Agent 會受到何種影響。

另外是環(huán)境相關的內(nèi)容。以剛才提到的 OWL 項目為例，我們讓 Agent 能夠獲取當前瀏覽器上的信息并執(zhí)行操作。實際上，在這之前我們還有一個名為 CRAB 的項目，它是一個跨端項目，可在本地 PC 和手機上執(zhí)行操作，這也是全球首個此類項目。當時，我們還做了一些 Benchmark 來評估多模態(tài)模型的能力。

還有一個我們近期比較專注的方向：利用 Agent 生成合成數(shù)據(jù)。我們認為多智能體系統(tǒng)的構建基于單個智能體，單個智能體的核心在于模型本身，而模型的底層支撐則是數(shù)據(jù)。因此，我們希望從底層出發(fā)，通過提升數(shù)據(jù)質(zhì)量來反哺多智能體系統(tǒng)。具體而言，我們可利用 Agent 生成高質(zhì)量的合成數(shù)據(jù)，并在 Agent 系統(tǒng)中結合環(huán)境和驗證器等，以提升整體數(shù)據(jù)的生成質(zhì)量。

唐小引：你剛才提到了當前 AI 圈非常關注的幾個 Agent 關鍵命題，其中一個是：Agent 是否存在Scaling Law。我記得，此前智譜在發(fā)布 AutoGLM 時曾明確表示，他們在構建 Agent 系統(tǒng)的過程中發(fā)現(xiàn)了 Scaling Law。那從你的觀察來看，目前國內(nèi)外在做 Agent 開發(fā)時，是否已經(jīng)在這一問題上形成了共識，還是大家仍處于探索期？

范文棟：我個人認為，目前大家整體上還是處于探索階段，還沒有形成非常強的一致性共識。不同的團隊、研究者可能會有不同的看法。

唐小引：那為什么智譜會明確提出 Agent 存在 Scaling Law？

范文棟：可能每個人都有自己的看法。當然，我個人也相信Agent 是有Scaling Law的。

唐小引：你平時除了在 CAMEL AI 團隊工作之外，會關注其他團隊的相關項目嗎？有沒有哪些和你們方向比較相似或完全不同的？

范文棟：我目前大多數(shù)時間還是主要投入在 CAMEL 項目的開發(fā)中，所以像智譜的 AutoGLM，我其實沒有非常深入地了解。不過，我也會定期關注一些其他多智能體框架的進展。

唐小引：如今 AI 圈內(nèi)，都在探索從單智能體到多智能體系統(tǒng)的發(fā)展，但不少人指出多智能體面臨著很多困難并難以突破。那么，基于你對多智能體的觀察以及CAMEL AI 團隊實踐的情況，有什么可以分享的嗎？

范文棟：確實，在多智能體系統(tǒng)的開發(fā)過程中，有很多工程層面和研究層面的復雜問題，還可能涉及諸如成本控制等多個維度，許多環(huán)節(jié)都需要進行深度優(yōu)化。

從技術角度來說，搭建一個多智能體系統(tǒng)并不難，但要做得好其實很難——幾乎每個模塊都要去做優(yōu)化。比如，Agent 之間的協(xié)作機制、任務調(diào)度策略、工具調(diào)用流程及 Agent 本身的記憶系統(tǒng)等，要想把這些方面都優(yōu)化到極致，肯定要花很多功夫。

唐小引：你剛才提到，“要做得好其實很難”，這個難度主要體現(xiàn)在哪些方面？你們 CAMEL AI 團隊在這方面的核心實踐又是如何展開的？

范文棟：我打個比方。比如在工具調(diào)用方面，很多人最直觀的做法是：將所有可能被 Agent 調(diào)用的工具，全部添加進 Tool List，然后轉(zhuǎn)換為 OpenAI 的 Schema，再交由大語言模型去完成工具調(diào)用。但實際上，從成本與效益的角度來看，這里有很多優(yōu)化空間。比如，在把所有工具“一股腦”地提供給 Agent 之前，可以先通過語義檢索的方式來篩選工具。如果希望進一步優(yōu)化效果，也可以對用于搜索的 Embedding 模型進行微調(diào)。甚至，你也可以對整個模型進行微調(diào)，讓它變成一個在特定工具調(diào)用場景下非常強的模型。

還比如在代碼生成方面，如果我們希望讓 Agent 去寫代碼，其效果很大程度上取決于大模型本身的訓練數(shù)據(jù)質(zhì)量。假設大模型已經(jīng)接觸過大量 NumPy、Pandas 這類成熟庫的使用樣例，那它生成相關代碼可能效果不錯；但如果要讓它寫一些非常小眾的庫，可能就寫不出來了。這時，就需要結合這些小眾庫的數(shù)據(jù)，對模型進行針對性的微調(diào)。

在我們的設想中，一個合理的多智能體系統(tǒng)，不應該是所有 Agent 共享一個統(tǒng)一的大模型。當然，理論上也可以使用像 Claude 4 這樣非常強大的模型來統(tǒng)一處理所有任務，但成本非常高。對于許多簡單任務，其實只需使用小參數(shù)量的專家模型即可高效完成。所以我們認為，未來的演進方向應該是：不同任務由不同的 Agent 負責，每個 Agent 背后對接不同、特定的模型，每個 Agent 還會接入專屬的工具和知識庫，以此形成一個更加分工明確、組合靈活、成本可控的 Agent 生態(tài)。

“我個人覺得，通用 Agent 一定是存在的”

唐小引：既然談到了模型和工具，讓我想起了 Manus 最早爆火的時候，也引發(fā)了大家對于 Anthropic 在去年發(fā)布的 MCP 的廣泛關注。不過我之前一直有點困惑，因為 Manus 作者明確表示他們并沒有使用 MCP，但 MCP 卻因為 Manus 火了。我之前查看源碼時，發(fā)現(xiàn)其中有涉及 MCP的相關開發(fā)，不知道 OWL這邊的情況是怎樣的？

范文棟：我們在剛推出 OWL 時，其實并沒有集成 MCP，但在項目上線后的第五天左右，就加入了對 MCP 的支持。MCP 是一個協(xié)議，它的最大價值在于：開發(fā)者可以通過 MCP 非常方便地接入 MCP 生態(tài)系統(tǒng)中已有的各種工具和服務，這是一個非常好的生態(tài)。

大家都知道，做 Agent 開發(fā)時要接入很多第三方工具，需要做很多適配和重復的開發(fā)工作，把一個工具適配到另一個框架里。而 MCP 作為統(tǒng)一協(xié)議，就很好地解決了這個問題。

目前，我們 CAMEL AI 團隊也在積極擁抱 MCP 生態(tài)，計劃將 CAMEL 內(nèi)部已經(jīng)實現(xiàn)的 40 多種常用工具（如搜索、地圖、天氣等相關功能），全部裝進一個 MCP Server 中，方便大家去做外部調(diào)用。

唐小引：那從本質(zhì)上來說，MCP 和 Agent之間的關系是怎樣的？

范文棟：MCP 更多是偏向模型層的一個設計，但由于 Agent 也是基于模型層的，因此也能從中受益。它最大的優(yōu)勢在于：提供了一套統(tǒng)一的協(xié)議和接口，極大簡化了 Agent 的開發(fā)流程，開發(fā)者無需重復造輪子，即可非常便捷地調(diào)用外部那些已接入的MCP Server。

唐小引：今年年初開始，業(yè)內(nèi)有不少聲音提出：2025 年將成為“千 Agent、萬 Agent 大戰(zhàn)”的一年。大家不僅在呼喚通用機器人，也在熱議通用 Agent 的可能性。但關于通用 Agent 是否存在，這其實是一個存在爭議的話題。以 AI Coding 為例，很多人認為通用的 Coding Agent 很難真正實現(xiàn)，可能更像是一個美好的幻想。那么，圍繞這個爭議和“通用 Agent”這個話題，你有哪些觀點可以分享嗎？

范文棟：首先，大家確實可以看到在過去一兩年里，市面上陸續(xù)涌現(xiàn)出大量的 Agent 平臺，但不同平臺的切入點有所不同。例如 MetaGPT 更聚焦在 AI Coding領域，通過多智能體協(xié)作完成完整的軟件開發(fā)流程，是一個相對垂直的方向。

而 CAMEL 的定位則更偏向于通用性。我們把 CAMEL 定義為一個通用多智能體框架，雖然我們并沒有針對某些特定的業(yè)務場景去深挖，但我們所構建的工程體系和實踐經(jīng)驗，都為后續(xù)的垂直拓展打下了堅實基礎——開發(fā)者可以用 CAMEL 結合自己的業(yè)務領域去做拓展。

我個人覺得，通用 Agent 一定是存在的。就拿 AI 編碼來說，像 Devin、Cursor 等成功的 Coding Agent 已經(jīng)證明了通用能力的可行性。這些智能體背后的關鍵技術通常包括 RAG，也就是讓 Agent 通過檢索已有的代碼片段，理解上下文后生成新代碼，再整合回當前開發(fā)環(huán)境。簡單來說就是這么一個流程，但它背后依賴的技術也是通用的：就是 Agent + RAG 這一套。

隨著 2025 年 Agent 生態(tài)的爆發(fā)，我們可能會看到越來越多的垂直 Agent 項目，但是通用 Agent 一定會作為底層基礎設施而長期存在，并存在著廣泛的優(yōu)化空間。

唐小引：MCP 因 Manus 而迅速走紅，甚至 OpenAI 的 Agent SDK 也支持了 MCP。隨后，雖然 Google 也加入了 MCP 的支持行列，但它還推出了自己的 A2A（Agent-to-Agent）協(xié)議。在此之前，很多人認為 MCP 可能會成為行業(yè)標準，尤其是考慮到許多國內(nèi)的大公司也在采納 MCP。然而，隨著 Google A2A 的推出，現(xiàn)在大家都在比較 MCP 和 A2A，試圖評估兩者間的競爭態(tài)勢。那么從 OWL 的視角來看，Google 的 A2A 是否對 OWL 構成了助力呢？

范文棟：MCP 和 A2A 在本質(zhì)上的切入點有所不同。MCP 已經(jīng)由 Anthropic 成功占據(jù)了一個生態(tài)位，而 Google 可能希望通過 A2A 建立自己的生態(tài)系統(tǒng)。對于任何一種協(xié)議而言，其真正價值在于是否擁有足夠的參與者和一個繁榮的生態(tài)環(huán)境。如果一個協(xié)議參與的人不多、聲音不夠大，它的實際應用價值和影響力也比較有限。

相比之下，A2A 更側(cè)重于統(tǒng)一 Agent 之間的接入范式。無論是對于 OWL 還是 CAMEL 而言，我們都認為這種生態(tài)是非常好的，并且也在積極支持 A2A。

一份面向開發(fā)者的經(jīng)驗總結

唐小引：聽你剛才的分享，我特別有感觸的一點是，AI 技術更迭太快、太容易“過時”了。有些技術發(fā)展很快，比如 AlphaGo 就深深影響了一代人；但也有不少技術還沒真正大火就已經(jīng)“過時”了。像 LangChain，可能有段時間很火，但很多人還沒學透就已經(jīng)意識到它的局限性了。而如今，也有人說傳統(tǒng)的 RAG 已經(jīng)過時，現(xiàn)在是 Agentic RAG 大行其道的時候。

那么作為一個 AI 從業(yè)，在學習新技術這件事上，你有沒有一些想法可以分享？

范文棟：AI 的迭代確實非常快。就拿 LangChain 來說，它目前也在不斷迭代，推出了 LangSmith、LangGraph 等新模塊。當然，我自己還沒有花太多時間去深入研究這些更新。

作為開發(fā)者，我認為最核心的一點是要保持充分的學習能力，其次是要有非常強的接納新事物的能力。另外，當一個新的框架或理念出現(xiàn)時，我們也要有一定的辨別能力。有時候一個新Concept看起來熱度很高，實際上不一定有真實價值，可能只是市場營銷的結果。

這種情況下，我們要去了解它底層的原理，判斷它的實際作用，再結合整個技術趨勢來決定是否值得投入時間去深入學習。如果值得，你就應該沉下心來認真研究。只有這樣，我們才能不斷迭代自己的技術體系，讓自己一直站在這個 AI 浪潮的前沿。

唐小引：今年被稱為“Agent 的一年”，對于廣大開發(fā)者，尤其是與你年齡相仿或更年輕的 00 后開發(fā)者來說，如果他們希望投身于 Agent 領域并開展相關開發(fā)工作，你有哪些經(jīng)驗或建議可以分享？

范文棟：對于剛?cè)腴T的學習者來說，我認為從事 Agent 開發(fā)，首先應該了解其底層機制，而不是一開始就使用高度抽象化的框架。盡管我們本身也是構建 Agent 框架的團隊，但我還是建議開發(fā)者從模型層面入手，理解模型是如何執(zhí)行工具調(diào)用、記憶系統(tǒng)的工作原理等基礎內(nèi)容，一步步地去學習。如果一開始你就直接依賴高度抽象的框架，可能會在后續(xù)想要深入優(yōu)化或拓展功能時遇到瓶頸。

另外，我知道大家現(xiàn)在用 AI Coding的能力非常強，都在用一些 AI IDE 寫代碼。但我建議大家在使用這些 IDE 寫代碼的時候，要“知其所以然”。對于某些你不理解的代碼片段，一定要去問人，或者問這些 Agent 讓它解釋清楚。千萬不要像最近比較火的“Vibe Coding”——讓 Agent 寫完代碼后，只要程序能跑通就不深究。長此以往，反而會對你的技術成長產(chǎn)生負面影響。

唐小引：你自己是什么時候開始接觸編程的？

范文棟：我敲代碼應該是在讀本科的時候，剛開始學的是C 語言，太難了。

唐小引：那你讀本科到現(xiàn)在有幾年了？

范文棟：差不多十年左右了。

唐小引：哪怕 96 年的開發(fā)者，到現(xiàn)在也有十年編程經(jīng)驗了啊？

范文棟：不過本科的時候，開發(fā)強度很低，只是為了完成學業(yè)。而且那時候?qū)W的語言也比較古早，現(xiàn)在也沒怎么用到。后來學 Python，才開始用得比較多。

唐小引：那現(xiàn)在 OWL 的代碼，有哪些是 AI Coding 來的？

范文棟：CAMEL 做得比較早，那時候 AI Coding 還沒那么興起，很多代碼都是手敲的。但是隨著項目的發(fā)展，我們陸續(xù)加入了一些 AI 輔助功能后，我個人大約有超過 80% 的代碼是通過 AI 生成的。不過生成之后，我會花大量時間進行代碼審查，因為AI 生成的代碼，質(zhì)量需要你自己去把控，而我修改的量大概在 20% 左右。

唐小引：你現(xiàn)在日常已經(jīng)很習慣和 AI Coding 工具一起結對編程了嗎？

范文棟：對，我現(xiàn)在非常習慣這種方式。如果現(xiàn)在去掉 AI Coding 工具，讓我自己手寫，我可能會有點手足無措。

唐小引：但即便如此，你還是會把 AI 生成的代碼詳細地去看，并進行代碼審查，對吧？

范文棟：是的。因為 AI Coding可以做好局部某個點的代碼生成，但如果面對的是結構復雜、層級較多的系統(tǒng)代碼，AI 往往難以理解上下文的完整性，那它給出的可能只是一個局部最優(yōu)解，而不是全局最優(yōu)解。

唐小引：聽了文棟的經(jīng)驗分享，我發(fā)現(xiàn)即便是 96 年的開發(fā)者，也在不斷探索與實踐的過程中積累了豐富的經(jīng)驗，都值得我們借鑒與學習。最后，感謝文棟帶來的精彩分享！

范文棟：好，謝謝大家。

2025 全球產(chǎn)品經(jīng)理大會

8 月 15–16 日

北京·威斯汀酒店

2025 全球產(chǎn)品經(jīng)理大會將匯聚互聯(lián)網(wǎng)大廠、AI 創(chuàng)業(yè)公司、ToB/ToC 實戰(zhàn)一線的產(chǎn)品人，圍繞產(chǎn)品設計、用戶體驗、增長運營、智能落地等核心議題，展開 12 大專題分享，洞察趨勢、拆解路徑、對話未來。

更多詳情與報名，請掃碼下方二維碼。