本文探讨了AI大模型从“回答”型向“执行”型转变的趋势，重点分析了OpenAI的GPT-6 Astra、DeepSeek的V4.1-Flash价格降低以及AI公司的大额融资事件。文章阐述了AI Agent与传统自动化脚本的差异，并提出了AI在企业中应用的几种形态。最后，作者以非技术岗的视角，给出了AI应用的第一步实施建议，强调了权限和审计的重要性。

9 月第一周，三条新闻撞在了一起：模型开始交付成品而不只是答案、价格被压到三个数量级以下、两天融了 61 亿美元。这篇不是指南，是我这个还在医药国企市场部做综合支持、业余喜欢研究 AI 的人，把看到的东西和没想明白的地方摊开讲讲。

9 月第一周，AI 圈的消息密度有点反常。

3 号 OpenAI 发了 GPT-6 Astra，6 号黄仁勋在 X 上说「AGI 已经到来」，10 号 DeepSeek 用 V4.1-Flash 把价格压到让人怀疑是不是写错了小数点。中间还夹着两天 61 亿美元的融资。

这些新闻单看都是热闹。但连起来看，指向的是同一件事：AI 的主战场正在从「回答」转向「执行」。

我在医药国企工作，研究 AI 纯属业余爱好。看这些消息的时候，脑子里一直挂着一个问题：这东西到底能不能用在我们这种公司的日常里。下面就是我看资料、试工具之后的一些想法。不保证对，但都是真实想过的。

一、AI Agent 和自动化脚本，差在哪

---

先说一个我自己踩过的认知坑。

一开始我以为 Agent 就是「更聪明的自动化」。后来发现不是。这两者的差别不在聪明程度，而在出错的时候怎么办。

传统自动化是照剧本演的。你把流程写死：打开系统、导出表格、按规则筛选、生成报表。它跑得又快又稳，但前提是世界按你写的剧本走。一旦遇到剧本外的情况——比如系统弹了个没见过的提示框——它要么卡死，要么继续往下跑然后交出一份错误的结果。

Agent 不一样的地方在于：它要的是目标，而不是步骤。

你说「把上个月的考勤整理成表」，它自己去看有哪些文件、什么格式、要合并哪些字段。遇到弹窗它自己判断点哪个。中间某一步失败了，它会换个方式重试。

用一个很土的比喻：自动化是照着菜谱做菜，Agent 是给你一句「冰箱里有啥，做顿饭」。

这里有个容易被忽略的推论：脚本能预先验收，Agent 只能验收结果。脚本是确定性的，你看一眼就知道它对不对；Agent 每一步都在做判断，你没法事先把它所有路径审一遍，只能看它最后交出来的东西。

这个推论后面会引出一个很现实的问题——权限。先按下不表。

二、9 月这一周，为什么说它「落地」了

---

得先确认「落地」这个判断不是我的一厢情愿。看三个信号。

信号一：交付成品，而不只是答案

GPT-6 Astra 最值得注意的不是它 105 万 token 的上下文，而是这次主打的能力定位是 computer use——自己看屏幕、操作软件、跑完整个任务，跟上一代的差别就在这里。

具体一点：OSWorld 2.0 测试里它拿到 72.6%，上一代 Sol 是 65.7%；单个任务平均耗时约 40 分钟，比 Sol 快约 47%。但我觉得最关键的是另一个数字——越权执行比例从 48% 降到了 0。

48% 到 0，这个变化对企业的意义比跑分大得多。一个会自作主张的 Agent，是不敢放进生产系统里的。

信号二：价格不再是门槛

DeepSeek 9 月 10 日发的 V4.1-Flash，552B 参数的 MoE，处理输入时只激活 8B。它的非高峰缓存输入价格是每百万 token 0.003 美元。

和 Astra 的输入价 10 美元比，差了三个数量级还多。而且它在 Terminal-Bench 2.1 上拿到 90.6 分，比 Claude Opus 5 的 89.1 还高一点。

另一个我事先没想到的点：MIT 协议开源，权重直接公开了。这意味着有数据合规要求的公司可以自己部署，不用把数据发给第三方。对医药、金融这类行业，这一条比价格更重要。

信号三：钱在往「能干活」的方向砸

9 月 8 到 9 号，48 小时里三家 AI 公司一共拿了 61.3 亿美元：

• Cognition

20 亿美元，估值 480 亿。产品 Devin 是编码 Agent，年化收入从 4.92 亿冲到接近 9 亿。

• Mistral AI

30 亿欧元，估值约 240 亿美元，欧洲科技公司史上最大股权融资，三星电子等共同领投。

• Harvey

5.5 亿美元，估值 155 亿。法律 AI，年化收入超过 4 亿。

三家合计估值 875 亿美元。

注意这三家都不是做通用聊天机器人的。一家写代码、一家做企业私有部署、一家做法律文书，全是「替人干活」的生意。

所以「落地」不是我拍脑袋：模型能交成品了，价格降下来了，资本在用真金白银投票。三条线在同一个时间点上重合。

三、企业用起来，大概是三种形态

---

素材看多了会发现，企业里跑 Agent 大致能归成三类。我按「人管多少」来排：

• 工具调用循环

最基础的一种。给模型几个工具（查数据库、调接口、读文件），它自己决定按什么顺序调用。人管开头和结尾。

• 多智能体协作

把一个大任务拆给几个各管一段的 Agent，互相传结果。Cognition 的 Devin 现在就是这个模式——主 Agent 拆任务、做关键决策，一批辅助 Agent 并行干活。人只管中间的检查点。

• 人机协同编排

关键动作强制等人确认。Agent 可以把材料准备到 99%，最后那一下必须人来按。

这三种不是先进程度之分，是风险等级之分。

举个医药行业的例子——不是真实案例，是我按逻辑推的。

假设要做一个「药品资质自动核验」的流程：检查经销商的营业执照、经营许可证、GSP 证书是否齐全、是否在有效期内。

如果只是读取和比对，第一种就够了，人看最后结论。

如果要自动发起补件通知，这就涉及对外发信了，建议用第二种，但发信前必须有人确认收件人和内容。

如果这个 Agent 还能直接改系统里的供应商状态，那就必须是第三种，每一次状态变更都要人点一下。因为改错了会直接影响能不能进货。

答案挺反直觉的：能力越强，越要把决定权留在人手里。这不是保守，是因为 Agent 的错法和脚本不一样——脚本错是错在明处，Agent 错是错在它觉得自己对。

四、真正卡住企业的，其实是权限和审计

---

到这里就可以说开头按下的那个问题了。

前面说过，脚本可以预先验收，Agent 只能验收结果。这意味着你没法事先审查它的每一步。那企业凭什么敢让它碰真实系统？

现在行业里的答案归结成两条：最小权限，和留痕。

我在资料里看到一组比较有代表性的控制要求，四条：

• 最小权限的工具访问

Agent 只能碰当前任务需要的那几个系统，多一个都不给。

• 不可变的动作日志

它每一步干了什么、调了什么接口、改了什么数据，都要记下来，而且事后不能修改。

• 身份独立

每个 Agent 要有自己的身份，不能共用人的账号。Microsoft 今年推出的 Entra Agent ID 就是这个思路——给 Agent 发短期的、按会话粒度的令牌。

• 运行时检查

不是季度审查一次模型，而是在它每次要执行动作之前，先拿策略过一遍。

最后这条我认为是这一年最大的观念变化。以前合规是「上线前审一次」，现在变成「每一次动作都要过一道闸机」。

医药行业的麻烦还多一层：我们本来就在强监管的行业里。

数据可追溯、变更可审计、责任可归属，这几条放到 Agent 上一条都不轻松。尤其是「责任可归属」：如果一个 Agent 自己做了个判断，导致记录出错，这个责任算谁的？算开发的人、算批准上线的人、还是算日常用它的人？

医疗行业的资料里已经把这类风险归成四类：非预期动作、目标漂移、提示注入、问责缺口。

四类里我最有感触的是「目标漂移」。让 Agent 跑一个几小时的活儿，中途它为了达成你给的指标，可能会拐到一个你根本没想过的方向去。这类问题在短任务里看不出来，任务一长才冒头。

判断一个 AI 是不是真在干活，就看它交付的是答案还是结果。

这句话为什么放在这儿？因为一旦你开始要「结果」，责任的重量就从它身上挪到了你身上。能力越强的 Agent，越需要一套配得上它的管理制度。

五、作为非技术岗，我会怎么起第一步

---

最后说点实际的。我自己不是技术岗，想法可能和工程师不太一样。

我见过一些公司的做法是：先成立小组、写份规划、买套平台。然后半年过去，还在规划里。

我更倾向另一种路子：从一个人、一个流程开始，找那个能立刻看到效果的事。

具体我会这么走：

• 第一步，先找一个「烦但不重要」的活

。判断标准是做错了也不会出大事，但确实占人时间。会议记录整理、周报汇总、资料归档这类就挺合适。

• 第二步，只做读取，不做写入

。让它先跑两周「只读」的活，你观察它判断准不准。这个阶段不给任何修改权限。

• 第三步，加上人的确认环节

。让它准备到 99%，最后一下你点。

• 第四步，等它连续几周不出错，再考虑把某几个动作放开

。

• 第五步，写清楚「什么时候停」

。这一步最容易被跳过：什么情况下必须立刻停用？出错了谁来判断？判断之后怎么回滚？

这里有个反直觉的地方：多数人从「技术选型」开始，我觉得应该从「这一步出错了会怎样」开始。先定失效的边界，再选能力。

至于时间，我看的资料里常提 12 周作为一个节奏参考，但那基本是技术团队的节奏。对非技术岗，我觉得头一个月只做一件事：找到一个真实的、你每天都会遇到的痛点，然后看看现在的 Agent 能不能把它干掉。找不到就先别动，等找到了再说。

有一点我想说清楚：这篇里所有关于技术的判断，都可能过时得很快。价格在变、能力在变，连「AGI 到没到」这件事，行业内都吵不出结果。

但有一样东西不怎么变：当一个东西开始真正动手做事，管它的方式就必须跟着变。权限、审计、责任的边界，这些都不新鲜，只是以前是管人的，现在要开始管 Agent 了。

把这层想清楚，可能比追下一个模型什么时候发更有用。

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

---

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】