冷思考：低代码的AI Agent构建平台能创造价值吗？

当前AI 圈中热点讨论的产品，除了以ChatGPT为代表的Chatbot领域 ，以及以Character.ai 为代表的AI虚拟社交领域 ，另一个热度较高的领域就是AI Agent领域。

大模型发展到今天，已经基本达成了一个共识：错综复杂的工作任务无法通过单次 LLM 调用来解决。

在这一背景下，一些业界人士如吴恩达提出 workflow 、flow engineering 之类的概念，意在通过多次、分阶段的 LLM 调用、迭代来实现更好的应用效果。

目前，国内外 coze、百度千帆、腾讯元器，Dify、flowise、FastGPT、langflow 等诸多平台也推出了自己的 workflow（工作流）产品，实现对执行流程进行可视化的低代码编排，构建Agent应用。

这类AI Agent构建平台 ，其核心服务是为用户提供一个快速开发AI应用的平台，用于解决多种多样的AI应用场景。

其实在很多方面Agent构建平台和low-code低代码平台是很像的。

这就不得不让我们面临一个问题：Agent构建平台的目标用户到底是什么样的？

从产品平台面向的用户群体可以大致分以下几类：

开发者
产品/领域专家
C端用户

在探讨AI Agent平台的目标用户时，我们常常陷入low-code无法摆脱的困境："产品功能和UI设计是给非开发者，但却要开发者才能用明白，但又让开发者觉得碍手碍脚"。

试图将复杂的技术简化给非专业人士，却又忽略了专业人士的需求。

开发者 追求的是高效与灵活，他们更愿意使用自己熟悉的编程语言和框架，AI Agent构建平台能够减少的开发成本有限，灵活度的不足给他的开发过程带来了不必要的困难；

而产品/领域专家则期望工具能够精准解决行业痛点，助力业务创新；

C端用户则希望以最简单的方式享受到AI带来的便利。

这三者之间，似乎存在着难以调和的矛盾。

low-code平台的设计与开发往往由具备前端与后端开发经验的开发者主导，他们基于自身的技术视角和解决问题的能力来构建产品。这种背景下，平台可能更侧重于解决开发者自身熟悉和能够直接应对的问题，而对于那些超出他们经验范围或难以直接解决的挑战，则可能采取回避策略，或者简单地将问题转嫁给最终用户自行处理。

产品界面似乎很美观、很友好，但当我们认真分析界面上的每个控制点/参数时，会认识到 "要知道如何设置这些参数"到底需要多少知识和能力。

而目标用户有这些能力么？可能并没有。而一个人耐心也是有限的，在一个人的耐心用完之前还没有能做出一个有用的东西，那你后续可能要付给他多得多的成本才能让他忍下来继续做。

C端用户必须有大模型参数的知识能力

当前众多low-code平台及面向非开发者的Agent平台设计，似乎都基于一种预设：会写但不写代码的程序员**，他们懂得如何处理工程上的故障，懂得如何处理LLM的幻觉**。同时，它们又倾向于低估非开发者的需求与期望，认为其所需构建的产品既非复杂也非高要求，仅需通过简单设置常见参数即可达成目标。

而这时你可能会说，你去学习怎么使用啊。

学习很多AI Agent构建平台其实没有价值。固然，学习材料的质量不尽如人意是其中的一个次要考量，但更为核心的问题在于，这些平台所能提供的价值增量有限，不值得用户出学习成本和迁移成本。

那你可能又会说，我们的目标用户是面向产品/领域专家的，他们具有大模型领域或者AI领域的专业知识和能力，并且熟知用户需求。虽然有这样的用户，那又会有多少呢？

面向产品/领域专家拥有用户需求，但是用户需求多样且个性化，平台提供的能力又达不到，覆盖不了全业务范围，最终也是被抛弃的局面。

以目前国内Agent构建平台发展较好的coze为例，据不完全统计累计上架的插件数量共700+个，对比其他厂家的平台，其提供的AI工作任务编排能力和丰富多样的插件。但对于复杂多变的应用场景而言，其实还很难覆盖全面，并且大模型的提供能力在解决实际问题时还是不尽人意。

综上所述，个人认为Low-Code的AI Agent构建平台能否创造价值有几个关键问题：

● 目标用户定位与需求满足度：该平台究竟旨在服务于哪类用户群体？其提供的功能和服务是否真正契合了这些用户的实际需求？此外，平台是否无意中设置了过高的技能或知识门槛，从而限制了目标用户的广泛参与和有效利用？

● 价值感知与学习动力：平台所展现的能力与价值，是否足以激发用户主动学习的意愿？很多时候，产品的设计者和开发者可能过于乐观地评估了自己产品的吸引力和实用性，而未能充分考虑到用户在面对新工具或平台时可能产生的犹豫和顾虑。因此，如何确保平台的价值被用户清晰感知，并转化为他们主动学习和使用的动力，是一个值得深思的问题。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

"最先掌握AI的人，将会比较晚掌握AI的人有竞争优势"。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

大模型 AI 能干什么？
大模型是怎样获得「智能」的？
用好 AI 的核心心法
大模型应用业务架构
大模型应用技术架构
代码示例：向 GPT-3.5 灌入新知识
提示工程的意义和核心思想
Prompt 典型构成
指令调优方法论
思维链和思维树
Prompt 攻击和防范
...

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
...

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名"AI小子"。那么你还想往下探索吗？

为什么要做 RAG
什么是模型
什么是模型训练
求解器 & 损失函数简介
小实验2：手写一个简单的神经网络并训练它
什么是训练/预训练/微调/轻量化微调
Transformer结构简介
轻量化微调
实验数据集的构建
...

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
...

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。