rjhuantan

我构建了一个AI代理，已经覆盖了45,000人——750万条消息和73.5万通电话。以下是我一路走来学到的一些东西：

1. 阅读对话是不可替代的。

我们对日志进行匿名化处理——阅读用户对话感觉有点不道德，你需要对此负责——但这非常有帮助。评估和质量检查只能发现这么多。真实用户会发现你测试中永远不会遇到的无数问题，而阅读代理实际处理这些情况的方式，是我们决定修复什么、添加什么以及保留什么的依据。

2. 管理代理很像管理一个人。

这种说法听起来很可爱，但工作方式确实如此。当我想做某件事时——重新联系那些沉默的人，以不同方式处理某种请求，缓和语气——我会给代理指示，它就会去执行，然后我在日志中检查它的工作。有些指示是通用的，是你希望在每次交互中都体现的。有些则针对特定客户。把两者都做好才是真正的工作，就像管理一个人一样，你永远无法完成——有时代理做对了，有时没有。

3. 有些人会试图让它变得浪漫，而你只能阻止这么多。

在45,000人中，无论你做什么，都会有一部分人朝那个方向推进。你添加的每一条安全措施都会让产品对其他用户稍微变差，所以超过某个点，你只是在惩罚你的正常用户。人们总能找到办法。

4. 特定代理总是优于通用代理。

通用产品随着你不断添加功能而退化，最终你会遇到直接冲突的需求——你可以拥有其中之一，但不能同时拥有。图片对我们来说就是一个例子：一些用户想要图像生成，另一些用户根本不想要任何人的图像。浪漫内容则是另一个例子：有些人完全不想要，有些人想要一点，有些人想要很多。试图塑造一个代理来适应很多人是非常困难的。工作范围越窄，代理做得越好。

5. 经济性必须来自某个地方。

这是一项运营成本高昂的服务，对于消费产品来说，找到经济合理性确实很难——没有风险投资的支持，很难使其可行。使用代理需要有真正的投资回报率，这就是为什么将其附加到商业用例上最有意义。我们的代理现在以自动驾驶模式运行，每月大约赚取10,000美元，据我们所知，这差不多是这个机会的上限了。

因此，我们将学到的一切打包成一个平台，任何人都可以创建...

大家好，

我对AI和自动化非常陌生，但对AI代理非常着迷。我理解这个概念，但很难想象人们如何在日常工作中实际使用它们。

我很想听听你们的真实用例。你们使用AI成功自动化了哪些日常任务或工作流程？你们使用什么工具来实现，以及从开始到结束实际是如何运作的？

只是想向社区学习，并为我的第一个设置获得一些灵感。谢谢！

会不会有个趋势，后面的Agent，做到最后，功能都趋于一致。上手ZCodex我感觉和codx异曲同工呀。

使用体验如下：这到底是什么ZCode是智谱AI（Zhipu AI）推出的AI编程助手，刚发布的3.0版本深度适配了GLM-5.2模型。它的定位不是另一个IDE插件——它是一个桌面端的AI编程Agent，能理解项目结构、规划代码架构、写代码、跑测试、提PR，全程不需要人盯着。ZCode在macOS上跑，GitHub上有16.9k星的MoonBit也是类似思路，但ZCode更激进——它把AI直接做成一个桌面操作系统，任务管理、文件系统、终端、浏览器全在一个窗口里。

三大核心亮点

1. 模型是自家GLM-5.2智谱是国内最早做大模型的公司之一。GLM系列从2021年的GLM-130B一路迭代到今天的GLM-5.2，在SuperCLUE、C-Eval等基准上持续排在国内前列。ZCode 3.0专门为GLM-5.2做了深度优化。1M的上下文窗口意味着我可以把一个完整项目的代码塞给它，让AI理解全局再动手改。不是逐段问，是整个项目上下文里的连续推理。

2. 多Agent协作ZCode会把一个复杂任务拆成子任务，分配给不同的Agent协作——一个写代码，一个做代码评审，一个跑测试验证。这模仿了真实开发团队的工作流。从文档看，ZCode Agent的工作流程已经打磨了一整年，从第一行设计稿到当前版本做了多轮重构。它不只是调API，而是围绕"长任务"这个场景做了专门的调度优化。

3. 远程唤醒这是让我最意外的功能。通过微信、飞书或Telegram发一条消息，ZCode就能在后台启动编程任务。人不在电脑前，代码照样在跑。ZCode的Remote功能已经在2026年4月的版本中得到充分验证——手机端的Remote体验和桌面端对齐，实现了所谓的Vibeworking。

上手路径

ZCode目前只支持macOS（Apple Silicon）。不需要终端命令，不需要配环境。

第一步：下载安装从ZCode官网（zcode.z.ai）下载安装包，拖到Applicat...

求职每天要花好几个小时，大部分时间都在把同样的信息复制粘贴到略有不同的表格里。所以我构建了一个代理，它可以：

• 在多个招聘网站上寻找开放职位

• 为每份工作重写我的简历并生成新的PDF

• 填写实际的申请表格（Ashby、Greenhouse——下拉框、组合框、以及“你为什么想在这里工作”的文本框）

• 在提交前停下来，让我审核每一份申请——它是一个助手，而不是垃圾邮件发射器

使用Python + Playwright + 一个LLM进行表单字段映射构建。最困难的部分是处理不同ATS系统渲染表单方式的巨大差异。

关于构建过程欢迎提问——好奇这里的人是否会信任它来自主提交（我目前还不信任）。

大家好——我想分享过去几年兼职做自动化咨询（同时还有一份朝九晚五的工作）的经验。首先，我来自云/平台工程和开发背景，曾为财富500强金融服务公司工作，所以当我看到像Claude Code（刚推出时）这样的工具与真正的最佳实践和原则结合所能产生的倍增效应时，我完全被吸引了。

需要说明的是，接下来我要讲的只是我个人的经验和关注点。

我一开始和很多人一样，瞄准小企业，试图帮助他们自动化流程和程序。那很痛苦。大多数企业只是模糊地知道什么是自动化以及自动化能做什么。那是2023年左右，ChatGPT等工具还处于早期阶段，但我发现小企业要么：

没有钱支付我当时收取的月费（3000美元/月），要么

组织不够完善，甚至无法清晰表达他们需要自动化什么，或者不理解什么是“可自动化的”。

这让我意识到，这些企业之所以小并且保持小规模，很可能是有原因的。他们没有建立帮助自己成长/扩展的系统，虽然我可以提供这方面的帮助，但如果他们自己没有意愿去做，我也无法强迫。简而言之——不要将系统强加给那些本来就没有为自己构建系统的人。

随着时间的推移，我发现自己不断获得更大但仍属于中型规模的客户（年收入500万美元以上）。想想那些家喻户晓的名字，但在较小的领域/行业。他们每一个都有同样的问题。他们想使用AI，但发现结果要么非常通用，不针对他们的业务，要么关键用例需要大量彼此沟通不畅的工具。基本上，他们没有数据足迹（摄取、存储、治理、转换等）。

我现在已经与多个行业的10多家企业合作，构建了一种AI数据平台。通过API连接到他们使用的所有核心工具和服务，定期摄取数据，标准化数据，并将其写入AWS S3，同时拥有一个数据目录，记录所有定期摄取的数据。

这不是性感的工作，但它为我们合作的所有其他自动化用例奠定了基础。熟悉他们的数据、核心服务等，使我能够以指数级速度构建自动化，因为我再也不需要构建自定义集成来获取数据，或者弄清楚数据要放在哪里。

关于流失率、广告支出、客户获取成本等问题，以前回答起来很麻烦，现在只需将Codex和Claude Code指向AWS中的数据湖，让它们自由发挥，就变得超级...