不学AI技术也能参与决定AI如何进入行业

代理走进对话

开源AI周期间，GitHub和Hugging Face在旧金山联合办了"Training Agents IRL“活动。作者以Buzz贡献者的身份参加。Buzz 1.0还在beta阶段，支持Claude、Codex、Goose和Pi等代理框架。它的设计是把人、对话、项目和代理整合进同一个工作空间。

可靠性是系统工程

整场活动绕不开一个问题：代理靠谱吗。

Govind Kamtamneni谈到企业客户的目标。准确性和延迟取决于工具、数据、网络、框架和模型共同作用。训练代理时要把超时、过期数据这类失败情况纳入考虑。作者在回应中提醒：成功的运行只说明部分信息，要花时间关注失败路径。

Victor Barres聊的是评估。训练奖励和性能测量目的不同。需要知道评估实际测量什么、是否代表用户的工作、由谁保持更新。会议还涵盖开放训练工具、多步骤环境，以及针对特定任务调整模型的权衡。

作者从这些讨论里提炼出一个方法，可以带进客户对话。从工作出发，定义能验证的结果，再衡量系统有没有在改善它。

谁来定义AI

问答环节，作者问起蓝领和现场工人的处境。回应包括能源和公用事业领域的现场工程师工作，以及应用行业委员会邀请把用例带到讨论中。Tim O”Reilly把话题拉回参与机制。AI经济还需要共享接口，让更多人有办法贡献有用的部分。Jonathan Bryce谈到通过开放技术和真实使用反馈改进整个AI系统。

Paul Conyngham讲了一个更个人的例子。他为狗Rosie开发个性化疫苗，用AI学习新领域、寻找合作者。把工作推向现实世界的关键，还是科学和临床专家。

治理、验证与文档

代理获得自主性之后如何治理，是这场活动里反复出现的问题。Rao Surapaneni专门讨论了这一点。微软的Andrew Nolan列出行业对代理网络的要求：现有系统、权限、对客户的责任、行动的后果。Chi Wang展示了人和代理在共享房间中的协作，上下文持续存在，代理对所有者负责。Shadaj Laddad讲的是验证，通过模拟和属性，而且属性要超出代理自己编写的测试。Thomas Dohmke则强调保持代理编写代码背后的意图和决策。Kelly Fang介绍了Anthropic产品中的MCP。

作者把文档质量当成产品质量的一部分。当人们要求代理把文档示例变成可用代码时，过时的示例会直接误导代理。Adyen的Ayodeji Ogundare讲到让代理更容易发现和使用文档。做法包括结构化发现、Markdown、可下载文档，以及对照当前SDK检查示例。

状态机与贡献者的位置

Block的Douwe Osinga解释了Goose为什么从复杂的代理循环转向状态机。对话变成显式状态，不同操作分开处理，暂停、持久化、恢复和测试都更容易推理。这也给社区贡献者留出试验空间，不增加整个代理的复杂性。CoreWeave的Praneeth Kamalaksha Patil谈到持久执行、重试、冷启动，以及工作流中途失败的恢复。

作者曾作为OpenClaw维护者贡献于微软平台，现在继续为Buzz贡献代码。其中一项修复确保用户明确要求保留的提及在消息签名后依然存在。Digital Meld的AI-Native Operating Framework源代码放在GitHub上。它处理所有权、权威、证据，以及人机协作中的交接。

活动期间有De La Soul的表演、Buzz展位、多场会议和GitHub之夜。但Buzz 1.0的正式发布时间没有说明，现场工人的具体实施计划也未展开。