AI热榜 近期，在 LangChain 举办的智能体大会 Interrupt 上，吴恩达与 LangChain 创始人 Harrison Chase 进行了一场关于 AI Agent 的对谈。
整场交流的核心并不是简单讨论 Agent 有多强，而是围绕一个更现实的问题展开：当 AI Agent 让软件开发变快之后，真正的瓶颈会转移到哪里？
吴恩达首先提到，过去一年 AI 领域的热度和炒作超出了他的预期。
相比之下，更值得关注的是编程智能体的快速进步。
他说，六个月前自己几乎主要使用 Claude Code，现在则开始混合使用 OpenAI Codex、Gemini CLI、OpenCode 等工具。
编程智能体的能力边界变化很快，甚至连在手机上写代码这样的工作流，也开始变得自然。
但编程智能体带来的最大变化，不只是写代码更快，而是软件生产链条被重新分配。
吴恩达提出了“产品管理瓶颈”的概念：当代码实现速度提升 10 倍甚至 100 倍之后，限制团队效率的就不再只是工程实现，而是“到底该做什么”。
需求定义、用户反馈、优先级判断、产品边界，都会变得更重要。
与此同时，营销、法务、设计、合规也可能变成新瓶颈。
过去一个产品开发三个月，等法务一周签字可以接受；但如果现在一天就能做出产品，再等一周，法务本身就成了阻碍。
因此，未来的软件团队会更小、更快，也更依赖通才型人才。
吴恩达提到，他越来越多地组建一到十人的小团队，成员往往是高上下文、高授权、技术能力强的工程师。
他们不只写代码，还会借助 AI 完成产品定义、营销文案、服务条款初稿等工作。
AI 不会让工程师瞬间变成优秀营销人员或律师，但可以让他们先产出一个可用初稿，再交给专业人员把关。
在 Agent 开发方式上，吴恩达用了“乐高积木”的比喻。
今天的开发者面对的不只是模型，还有 RAG、Agent 框架、评估工具、Guardrails、UI 组件、身份认证、数据库等大量构建模块。
开发者越了解这些模块，越能快速组合出可用系统。
但问题是，API、SDK 和工具变化太快，模型未必知道最新用法。
因此，Agent 的能力不只取决于模型本身，也取决于它能否获得及时、准确、可执行的上下文。
谈到企业落地，吴恩达认为，很多企业正在做自下而上的 AI 创新，但这种“百花齐放”往往只能带来点状提效，难以形成真正转型。
比如银行用 AI 自动化贷款审批，如果只是把一小时人工审核变成 AI 审核，价值有限；更大的机会是重构整个流程，推出“10 分钟获批”的贷款产品。
这需要营销、数据、审批、尽调、执行等环节一起变化。
他也提醒企业，不要只把 AI 当作降本工具。
成本节省有上限，增长才更有想象空间。
客服、呼叫中心、drive-through 点餐等场景中，AI 的价值不只是减少人工，而是更快服务更多客户，改善体验，进而带动业务增长。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接