研究员观点，OpenAI已将基座模型的能力推向新高度，难以直接超越。研究重心应从训练更优的基座模型，转向如何高效、深度地应用现有模型，通过AI Agents在特定领域构筑专业价值。Agents作为应用层的通用能力，其核心在于 推理（Reasoning） 并泛化至更广泛的任务。
Agents能力提升的关键路径。
- 推理与行动 (ReAct)。Agents的核心价值在于其基于推理（如ReAct框架）产生有效行动（Action）的能力。
- 多模态、长上下文与推理。要提升Agents的推理能力，三大技术挑战：
- 多模态数据处理：融合并理解文本、图像、语音等多种信息。
- 长上下文（Long Context）：通过高效的记忆（Memory）机制和在线学习（Online-Learning）能力，处理并记忆长序列信息。
- 逻辑推理（Reasoning）：这是实现复杂任务规划与执行的根本。
- 核心工具 - Code as Affordance：代码是AI赋予机器的手，是其与数字世界交互最直接、最强大的工具。具备强大代码生成与逻辑推理能力的Coding Agents在处理多轮复杂任务时，潜力巨大，有望超越人类。
又聊到了他的一篇文章，"The Second Half" 。主要讲的是，AI发展的下半场，焦点从“如何训练模型”转向“如何定义好的环境与Agents”。成功的关键在于找到通用的方法论并将其泛化。他给出两个点，一是明确的回报机制 (Clear Rewards)：为Agents定义清晰、可量化的Reward至关重要。这需要基于最终结果而非过程，通过白盒或基于规则的方式进行定义，并使其与产品目标（Align with Product）紧密对齐，让模型通过反馈持续优化。软件工程等不确定性较低的领域，是当前实践的优良试验场。第二点是按照任务去分类。需根据任务性质（如追求可靠性/鲁棒性的客服任务，或追求创造性的创作任务）设计不同的Agents架构与挑战。
讨论了构建高级Agents的基石。
- 记忆 (Memory)：是解决上下文缺失问题的关键。缺少深层、隐性的世界知识与任务上下文，是当前模型难以创造巨大经济价值的核心原因。未来需要分层级的、支持长上下文的记忆系统。
- 多智能体系统 (Multi-agents)：通过组织化、协同探索的模式，解决更复杂的系统性问题。
- 清晰的回报 (Clear Rewards)：如前述，是驱动Agents有效学习和进化的指挥棒。
最后未来展望。
- 新的交互范式：未来的交互方式将超越聊天。例如，基于任务动态生成个性化前端（Canvas），为不同场景提供全新的、非拟人化的交互体验。这有助于避免“超级应用”带来的路径依赖。
- 价值实现：技术的最终目的是解决问题、创造社会价值。从业者需具备产品思维（Product Sense），找到PMF（Product-Market Fit），警惕“拿着锤子找钉子”的技术本位思想。同时，应重新思考开源模式的潜力。
- 社会经济影响：AI Agents和Crypto等技术，可能同时加剧中心化（超级平台）与去中心化（个体赋能）的趋势，信息差的博弈将持续存在，并可能对社会阶层产生深远影响。