1249
3Agent 开始批量写算子，工程师熟悉的成长路径也受到冲击：靠写代码、调性能积累经验，再凭经验获得更难的任务。
如果这些环节越来越多地交给模型，工程师从哪里练起，又凭什么拉开差距？当模型能力越来越容易获得，人和团队又靠什么做出不同的结果？
当任务从单个算子扩展到整套系统，问题也变成如何把复杂工程组织成 Agent 可以执行、验证和迭代的工作流。更多 Agent 可能先带来更高的账单，任务如何拆分、上下文如何传递、结果如何整合，决定了 Token 能否真正转化成生产力。
本期节目，我和来自英伟达的朱力耕、刘思皓，从 Humanize 聊到 KDA 写算子，再到用 Lean 做数学证明。据嘉宾估算，相关工作累计消耗了四五千万元人民币等值的 Token。
大规模实践也留下了一些反直觉的经验：照搬公司的角色分工，可能只是在“过家家”；今天费力搭好的 Harness，下一代模型一来，可能就该拆掉。
聊到 RSI，嘉宾用“阿拉丁神灯”解释了一个更激进的循环：投入 Token，让 Agent 优化 Kernel 和推理系统；系统效率提高，同样的算力生产更多 Token，再投入下一轮改进。用 Token，换来更多 Token。
*对话仅代表嘉宾个人观点，与所在公司无关。
以下是对话的时间轴：
01:26｜嘉宾介绍
02:42｜Humanize 起源：一个人的 60 万行代码工程
07:40｜照搬公司分工走不通，留下构建与审查的简单循环
14:54｜KDA：Agent 批量干算子工程师的活
17:19｜模型之外补什么：工作流、知识库与性能反馈
24:05｜Astra 与 Fable 双模型接力，跳出局部最优
32:31｜多 Agent 协作，还是“过家家”？
38:44｜从 Token 消耗到真实生产力
42:39｜“乱拳打死老师傅”：跨界挑战数学榜单
50:21｜算子批量生成，软件工程怎么变
57:35｜新模型来了，先拆掉旧 Harness
01:00:30｜技能被模型学会，工程师如何转向
01:07:17｜代码不是护城河，时间才是
01:10:29｜Jev 与创业两难：平台跟进快，小市场又难撑算力账单
01:11:45｜RSI 与阿拉丁神灯：用 Token 换来更多 Token
