AI基建的第二步：为大模型配一个好用的智能体
上一篇讲的是，大模型是 AI 工作系统的“大脑”。
但只有大脑还不够。
如果想让 AI 真正开始干活，还需要给这个大脑配上“手和脚”。
这就是智能体，也就是 Agent。
我的第二个建议同样很简单：
如果你不知道应该选哪个智能体，优先选用的人多、生态成熟、长期有人维护的。
对于绝大多数普通用户，这可能比天天看各种跑分、功能对比更有效。
一、大模型和智能体不是一回事
这是刚开始使用 AI 时很容易混淆的两个概念。
简单理解：
大模型负责想，智能体负责干。
比如 ChatGPT、Claude、Gemini、GPT、GLM、Kimi 等，核心能力来自背后的大模型。
而 Codex、Claude Code、Zcode、WorkBuddy、OpenCode 等，更接近一个能够调用模型、读取文件、执行命令、调用工具并持续完成任务的智能体工作环境。
只在聊天框里问：
“帮我审一下这个合同。”
和直接把一个文件夹交给智能体：
“读取这个项目全部材料，结合交易背景审查合同，修改后生成 Word 文件并保存到指定目录。”
体验是完全不同的。
前者更像咨询 AI。
后者才开始接近：
把工作交给 AI。
这也是为什么有了一个好的大模型以后，我下一步一定会给它配一个真正好用的智能体。
二、为什么我越来越倾向于选择“用的人多的”
选择 AI 工具时，经常能看到一些很新的项目：
功能特别多；
界面特别漂亮；
号称同时支持几十个模型；
甚至宣称比主流产品强很多。
看起来都很好。
但如果是准备真正拿来干活，我现在反而越来越保守。
我的一个很简单的判断标准就是：
先看有多少人在长期使用。
因为一个智能体真正好不好用，并不只取决于它官网列了多少功能。
真正工作以后，会遇到大量细节问题：
文件能不能稳定读取？
几十个文件会不会漏？
任务执行到一半会不会中断？
上下文长了以后会不会混乱？
能不能正确调用 MCP？
权限管理是否合理？
模型升级以后还能不能正常使用？
出错以后能不能恢复？
历史任务能不能保留？
社区里有没有人遇到过同样的问题？
这些东西，很难通过看宣传页面判断。
但大量真实用户已经替你测试了一遍。
所以我现在选智能体，有一个非常朴素的原则：
用户量，本身就是一种筛选机制。
三、用的人多，最大的优势不是“流行”，而是生态
一个智能体用户多以后，会自然形成很多附加价值。
比如你遇到一个报错。
如果这是一个冷门工具，搜索半天可能只有作者自己的文档。
如果是一个大量用户都在使用的工具，很可能 GitHub、Reddit、X、知乎、小红书甚至微信群里早就有人遇到过。
你复制一下报错信息，很快就能找到解决方案。
再比如 MCP。
一个主流智能体出来以后，各种 MCP 服务首先考虑适配的，通常也是这些用户最多的平台。
各种教程、Skill、插件、配置文件、工作流，也会首先围绕这些工具产生。
于是就会出现一个很重要的正循环：
用户越多 → 教程越多 → 插件越多 → Bug越容易暴露 → 修复越快 → 更多人使用。
真正有价值的其实是这个生态。
四、法律工作尤其应该优先考虑“稳定”，而不是“新奇”
对于律师来说，这一点更重要。
因为我们不是拿 Agent 玩几个 Demo。
真正交给智能体的，可能是一整个项目。
比如一个 IPO 项目文件夹。
里面可能有：
招股说明书；
律师工作报告；
法律意见书；
反馈回复；
尽调底稿；
工商资料；
合同；
会议纪要；
Excel 清单。
如果只是偶尔聊天，工具出点问题没什么。
但如果已经让智能体连续工作一个小时，分析了几百个文件，最后突然崩掉，这个成本就很高。
所以专业工作里，我越来越看重几个东西：
稳定性、持续维护、用户规模和生态。
而不是单纯看功能数量。
有些小众 Agent 的某个功能可能非常惊艳。
但如果我要把自己的长期工作系统建立在它上面，我会非常谨慎。
因为真正的 AI 基建，不是今天能不能跑起来。
而是：
半年以后还能不能继续用。
五、不要频繁换智能体
这是我觉得很多 AI 重度用户特别容易掉进去的一个坑。
今天看到一个新的 Agent：安装。
明天又看到一个：迁移。
过几天又有一个排行榜：再换。
最后电脑里安装了十几个 AI 工具，但真正形成稳定工作习惯的一个都没有。
其实智能体和普通软件不太一样。
因为你使用得越久，价值往往越高。
你会慢慢建立：自己的全局指令、自己的提示词、自己的 Skill、自己的 MCP、自己的项目目录、自己的知识库、自己的操作习惯。
最终不是单纯“会使用一个 Agent”。
而是：
这个 Agent 已经逐渐长成了你的工作环境。
这时候频繁换工具的迁移成本会越来越高。
所以我的建议反而是：
主力智能体不要太多。
选一个真正成熟的，长期使用。
再准备一两个备用智能体即可。
六、我会怎么选
如果是现在让我重新选择，我不会先研究几十个 Agent，然后做一个巨大的功能评分表。
我会先看几个最基本的问题：
用户是不是足够多；开发者是不是持续更新；背后的公司或者开源社区是不是可靠；能不能使用第一梯队的大模型；能不能读取和修改本地文件；能不能调用 MCP；能不能执行比较长的复杂任务；出了问题以后，网上能不能找到大量解决方案。
满足这些以后，再考虑界面、价格和具体功能。
所以像 Codex、Claude Code 这一类主流智能体，以及国内用户比较多的 Zcode、WorkBuddy 等，我都会优先研究。
不是因为“人多的一定最好”。
而是因为对于生产工具而言：
大量真实用户长期愿意留下来，本身就是一个非常有价值的评价指标。
七、不要追求“最强智能体”，先找到自己的主力智能体
其实智能体和大模型还有一个区别。
大模型我会不断追踪谁更强，因为模型能力提升会直接提高工作质量。
但智能体我反而不太愿意频繁更换，因为智能体最终承载的是我的整个工作方式。
所以我的策略是：
模型可以不断换，智能体尽量稳定。
今天 GPT 更强，可以让 Agent 调 GPT。
明天 Claude 更适合法律写作，可以切 Claude。
以后国产模型能力更强，也可以接 GLM、Kimi 或其他模型。
但是承载这些模型的那套工作环境，没有必要天天换。
这也是我理解的 AI 基建。
第一步，给自己找一个足够强的大模型“大脑”。
第二步：
给这个大脑装上一副成熟、稳定、用户足够多的“手脚”。
不要一开始就追最冷门、最新奇、参数最多的工具。
对于真正要长期用 AI 工作的人来说：
好用，比新更重要；稳定，比功能多更重要；生态，比一个孤立的亮点更重要。
而判断这些东西最简单的方法之一，就是看：
到底有多少人愿意每天拿它来真正干活。
