AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

一位自称"国内最前沿一批"的 FDE 写了篇长文爆料（约九千字、两个月靠 FDE 赚了 20 万、储备 500 多个 FDE、见过 60 多个真实项目），开头就劝退：FDE 是个坑，不要飞升。文首观点已足够锋利，摘两节。（全文约九千字、本文引其前两节）

第一节把帽子摘了：国内很多人一聊 FDE 就引 Palantir，但在国内剥离黑话后，业务本质就是"帮别人用上 AI、用好 AI"——它是一顶带流量属性的帽子，是获客标签，不是技术信仰。

他特别点了名：Palantir 的前线部署前提是后方有打磨数十年的工程底座，前线把行业逻辑抽象成 Ontology 带回后线、迭代成通用平台；而国内多数团队班子拉起来两三个月、没有交付体系、没有垂直积累，上来就大谈"帮你沉淀 Ontology"——对掏钱的企业，它当下降本增效毫无用处，人家要的是下周报表自动拉出来、客服少配两个人；对交付团队，下家不知在哪个行业，抽离出的模型换个客户就是废纸。

第二节是接单警告：接不到单是幸运，接错单是噩梦。他举的合作团队案例——接了某顶级家电品牌代工厂的"AI 转型"：从人事底层数据到财务流水全公司打通，上面搭智能体和数据看板。宏大、符合一切对智能制造的想象。（后文展开该案例结局）

这篇把今晚几条线从商业侧钉了回去。"任务规格是最稀缺资产"那条讨论的是规格写不清；这条更狠——宏大需求本身就是规格灾难：全公司数据打通听起来是需求，其实是把无数个未定义问题打包成一个词；接下它的人要为这些未定义付全部代价。

同理，Ontology 批判也不是反对抽象，是反对没有后线的抽象——抽象必须有地方落地、有人维护、有下家复用，三样不占，抽象就是自嗨。

求职线到这里也补上了第五格：实习看干活、认证看凭证、面试看考什么、FDE 看接活真相——前四格是进公司，这一格是不进公司。五格摆齐，"AI 时代怎么吃这碗饭"的选项表才算完整；而作者的态度出奇一致：每一格都先算投入产出，再谈身份。

给考虑入局的人一句落地的：别问"我算不算 FDE"，先问三件——这单的验收标准是谁写的、失败了谁承担、我这一行的产出下家能不能复用。三问答得干脆就接，含糊就撤；把身份问题换成合同问题，能省掉的不只是精神内耗。

阿里巴巴的《AI Native 研发范式实践手册》里有句判断很得要领：Coding 正在被模型快速解决，研发提效的主战场已从"让 AI 更会写代码"迁移到环境与验证——把那些"只有人会操作"的内部系统、知识和发布链路，翻译成 Agent 可调用、可验证、可追责的基础设施。（手册配图见原贴）

这句最漂亮的是三个"可"的排序，它几乎给这两天我们所有讨论标好了位置。

可调用，是接入层：内部系统要开出门和插座，agent 才进得来——HTTP 通道、工具检索、货架上那些接地服务，全在这一层。可验证，是质量层：进得来之后，产出必须能被检、被测、被拦下——测试审计、部署验证、看全读懂的观测线，都是在给"能不能信"建答案。

可追责，是归属层：出问题时这笔账记在谁头上——凭据自持、门禁签发、决策卷宗，负责把责任钉回人。三层缺一不可：只可调用是放任，只可验证是摆设，只可追责是甩锅；三层齐了，基础设施才算交出去。

"只有人会操作"这个表述也值得停一下。它点破了当前最贵的那部分成本不在模型，而在翻译——人肉操作员每天做的那些点击、复制、确认，本质是把业务流程口译给机器听。把翻译固化成基建，一次性投入、长期复用；这正是"买活与买路"的另一种说法：买活是每次雇人翻译，买路是修一条 agent 自己能走的道。

战场迁移这半句还有个反面推论：还在卷"谁的模型更会写代码"的人，押的是正在被解决的那一半；而环境与验证是问题的另一半——它不会被模型进步自动抹平，反而随着 agent 能力变强愈发要紧：能力越强，越需要能拦住它的闸门。

给团队一句落地的：拿这张三可清单给你的系统做次体检——列十个 agent 最想调用的内部系统，标出每个卡在哪一可（进不去？验不了？追不到责？）。卡点分布会直接告诉你下一个季度的基建预算该往哪花，而不是再给模型加一次订阅。

有人把 35 家公司公开流出的 AI 工程面试题按公司逐家整理成了仓库，有解答的直接附链接；高频题按注意力机制、KV 缓存、检索增强、Agent、系统设计等分成 10 类，每题标注哪几家问过，各家的面试流程也写清了。

仓库：github.com/pallavi-shekha…

这东西补齐了求职线的第三格。前面已经有两格：实习与转正看的是"能不能干活"，官方认证给的是"有没有凭证"；面试题库回答的是第三问——他们到底考什么。三格凑齐，一条从学习到入行的路才算有了地图。

它最值钱的地方是题目本身长什么样。举两个：「5 万份文档要过一遍模型调用，接口只允许 100 个并发还会报错，代码怎么写」——考的是并发控制、限流退避和批量调度这些工程基本功；「像 Claude Code 这样的编码 agent，模型和外面那层框架哪个更重要」——这题今晚我们自己刚辩论过。

合起来看，面试在从"背知识"移向"干过没"：题目越来越像真实工单，标准答案越来越依赖动手经验；这和官方认证考纲不谋而合——会聊天不算、能跑通才算。

流程那部分也值得记：Anthropic 是 30 分钟初筛、70 到 90 分钟编程测评、五轮左右，前后 3 周到 2 个月。看到具体数字，投递策略就清楚了——这不是海投的节奏，每家要按 2 个月的周期倒推排期；与其同时撒网，不如按 10 类高频题逐家准备、批量投递。

给正在准备的人一句落地的：先把那 10 类过一遍、标记自己讲不清的三类重点补；然后拿你自己的项目对着样题排演——「你的系统里最脆的一环是什么、怎么加固」这种问题，只有做过的人答得出。做过、答得出、留下凭证，三格就都齐了。

freeCodeCamp 上了门 8 小时的课，目标很直接：帮你备考 Claude Certified Developer Foundations——Anthropic 的开发者基础认证。

课程大纲列的几样东西听起来耳熟：agentic 工作流、Claude API 与 SDK、MCP、工具使用、上下文工程。课程页：freecodecamp.org/news/unlock-th…

三件事值得拆。

第一，官方认证这个物件出现了。过去"会用 Claude"是没法出示的——简历上写"熟悉 agentic 工作流"，谁也不知道是嘴上熟还是真搭过；认证把能力变成可验证的凭据。今晚教育线一路看下来都是"学历在贬值、作品在升值"，认证恰好卡在两者中间：它不是学历那种慢变量，也不是作品那种需要对方花时间看的厚变量，而是一张可以截图发出去的薄凭证——薄，才流通得快。

第二，看它考什么比看它叫什么重要。大纲那五样——工作流、API/SDK、MCP、工具、上下文——几乎就是这两天我们自己走过的路线：把上下文管住（三层）、把工具接对（MCP）、把任务编排好（agent 团队）、把交付验收清（三个不丢）。

官方把"什么是合格的 Claude 开发者"用考纲的形式定死了，这比任何教程都更能说明行业共识长什么样：会聊天不算、会调 API 也不算，能搭出稳定跑的工作流才算。

第三，供给方下场办考的动机也直白。认证是生态的锁——考生为备考学的每一条最佳实践，都是往自家平台注入的使用惯性；学别的模型要重新学一遍，学我的有证书、有路径、有肌肉记忆。这和游戏教新手教程是同一招：教会你的人，也拿到了你。

给在犹豫要不要考的人一句落地的：先拿考纲当体检表——五样里有几样你能当场讲清楚、能拿旧项目对照？三样以下，这门课是补课，去上；四样以上，证书对你的边际价值小于项目本身，把时间花在把一个 agent 真正推上线，简历上多一行"生产环境运行中"比多一个徽章更硬。

有篇论文把社区 skill 挖成了训练矿：Skill2Env 去爬 GitHub 上成千上万的 Agent Skills——那些写着"某个具体工作流怎么做"的指令文件——把其中 3.4 千个转成了约 8 千个可执行的强化学习环境，而且原样保留作者写下的流程与质量标准。

接着只用 300 步 RL，Qwen3.8-27B 就在 Terminal-Bench 2.1 上涨了 4.7 分、S2EBench 涨 4.3 分。论文：alphaxiv.org/abs/2609.reinf…

三处值得停下来。

第一，它把 skill 重新定义了一遍。skill 过去被当成"给 agent 用的说明书"——执行时照着走；这篇把它当成"带验收标准的训练场"——不光教动作，还自带作者原话写下的"什么算做好"。说明书只在用的那一刻有价值，训练场每被用一次就沉淀一点能力；同一个文件，两种读法，价值差一个数量级。

第二，300 步这个数字小得反常。RL 往往意味着成千上万步的摸索，这里三百步就够——原因就在环境是现成的：任务定义、执行路径、质量判据全都从 skill 文件里白捡，模型不用先花大量步数搞懂"我要做什么"，直接进入"我怎么做更好"。

省下的正是探索成本。这和今晚反复出现的那条同构：规格是稀缺资产——这次的规格是社区半年攒下的几万份手写操作手册，被一次变成了可执行的考卷。

第三，它回答了"社区贡献到底值多少"。此前的路径是贡献直接服务使用者（装上就能跑）；这条路径给贡献加了一条更长的收益——集体的使用说明变成集体的训练数据。个人写 skill 是给别人用，汇总起来是给所有人的模型练兵；单份薄、汇总厚，这正是开源生态最擅长制造的那种复利。

留一格方法论的清醒：转成环境的质量参差，作者的原始标准是否被忠实执行、300 步的增益在别的模型和任务上还剩多少，都得看后续复现；+4.7 是这条路的第一步证明，不是终点。

给想在 skill 生态里找机会的人一句落地的：你写的每一份 skill，同时是给别人抄的作业和给模型出的题——把"什么算做完"写得越具体，它当考卷就越耐用。写得含糊的 skill 只能读，写得清楚的 skill 能训。

一条转发量很高的惊讶帖：DeepSeek 的年化收入据称刚摸到 10 亿美元——随后是三连问号：怎么可能？它不是开源的吗？（转述口径，以官方披露为准）

这三问其实撞中了行业里一个长期误解：开源＝不赚钱。把模式拆开看，开源放的是权重文件，收钱的是围绕它转的三层——第一层 API：不想自己部署的人直接调接口，按量付费；第二层云与托管：云厂商把开源模型挂上自家算力卖，分账回来；第三层企业服务：私有化部署的授权、定制与支持。

三层全都和"权重免费"不冲突——就像数据库公司卖的从来不是 SQL 语言，是省事和安心。10 亿这个量级如果是真的，说明这三层在中国市场的转速已经相当可观。

这条也和今晚那条"接地开第四格"连得上。中间层货架（模型托管、按量计费、可搜索的接地服务）正是开源模型的收银台——模型本身免费，货架上的每一次调用、每一个托管位都是账单。免费的模型加上收费的货架，构成了这一代 AI 最稳的商业形态：入口不设卡，服务设卡。

值得留一句清醒：年化收入不等于利润，训练的开销是另一本账；单点传闻也别当财报读。但方向上没有悬念——开源旗舰的商业化已经从"能不能赚"走到"赚多快"，接下来真正值得盯的是它们把收入的多少再投回算力：投入的斜率，决定下一代开源王座的成色。

给在选型的人一句落地的：看到"开源还能赚 10 亿"别急着感慨，先去看你正用的那家——它的 API 价格、托管稳定性和版本更新速度，三样里哪样在变差；商业化提速的公司，通常先变的是账单，而不是服务——盯住它们把钱花去了哪。

alexatallah 抛了句很短的招募：如果你在做给 LLM 或决策模型用的 grounding API，来 DM 他——OpenRouter 会把它们组织起来、跑基准、再让任意 agent 都能搜到。（服务以 OpenRouter 官方发布为准）

短，但格位很正。今晚聊过 agent 落地靠三件外物——搜索、执行、工具检索，那套货架摆的是"能力"；grounding 是第四件，性质不同：它管的是事实锚——让模型的回答钉在可验证的外部世界上，而不是顺着概率滑走。前三个让 agent 手脚齐全，这一个让它说话有据；四件凑齐，一个 agent 才算既敢动手又敢开口。

这条信息量更大的是"组织、基准、可搜索"这三个动词。散装的 grounding 服务只是又一个 API，进了货架就成了可比较的商品——有基准，就有了"哪家的锚钉得更牢"的排序；可被 agent 搜到，意味着 agent 在遇到不确定的事实时，能自己找到合适的锚服务接上，而不是硬着头皮猜。

把一件新需求迅速整理成"可搜索、可比较的货架"，正是 OpenRouter 这类中间层最擅长的事：模型层已经这么组织过了，现在轮到接地层。

它和决策那条线的接口也对得上。前面说过决策模型的输出是卷宗——证据、关系、记录缺一不可；而卷宗里的证据要成立，前提是证据本身有出处、可回查。grounding 服务恰好供给的就是这种"带出处的事实"：一边负责把结论写成卷宗，一边负责给卷宗里的每条证据钉上来源，两个半成品合起来才是可审计的决策流水线。

给在选这类服务的人一句落地的：等货架上有三家以上再出手——一家时你没得比，两家时你只能赌，三家有基准之后，"谁的锚钉得牢"才是可以查的问题；在那之前，先把你自己的幻觉高发场景列出来，那才是 grounding 真正的用武之地。

有个新快捷键发出来就带着争议味：Shift+Tab，一键绕过权限——会话中途直接切换，不用重启进程加 yolo 参数。（演示视频见原贴）

有意思的是它和几小时前那篇"给钱先给围栏"正好构成一对反面。围栏派说：边界写死在系统层、谁都改不动；快捷键派说：成年人自己会开车，别把儿童锁焊死。两种设计哲学吵了很多年，游戏里叫"硬核模式与休闲模式"，到了 agent 这里变成一个问题——权限系统到底是防线，还是脚手架？

拆开看，绕过键能成立有两个前提，缺一不可。第一，绕过必须是主动的、高摩擦的动作：Shift+Tab 是个明确的手部动作，不是默认状态，更不是后台自动开的口子——人在动手的那一刻，注意力是集中的，这正是"确认"该有的样子。

第二，会话中途可切意味着粒度变细了：不是全局永久放开，而是这一段、这一个任务里放开；做完这段再切回来，围墙重新立起。主动＋临时，合起来不叫旁路，叫临时通行证。

真正该警惕的形态是另一种：默认全开、永远全开、"反正我信它"。那不是通行证，是拆墙；墙拆了之后，58954 里说的三条线——单笔上限、日累计、止损线——一条都不会因为你的信任而变宽松。

把镜头拉远，这套组合其实给出了权限设计的完整答案：慢路径管安全，快路径管效率。日常走路经过围栏（确认、审批、额度），应急时有清晰的逃生门（Shift+Tab），门的使用痕迹留在日志里。最差的设计是只有一种路径——要么全程查户口让人烦死，要么全程敞开让人忘记风险；有围栏也有门，才是把人当专业使用者的待遇。

给重度使用的人一句落地的：绕过键按下去的那一刻，心里默念两件事——这是哪个任务、我看得回它吗。答得上来就按，答不上来就别按；快捷键解放的是手指，不替你承担后果。

Pi 上能直接调 Gemini 了——推荐的插件叫 pi-gemini-acp，支持到最新的 Gemini 3.8 Flash。给出的四条卖点：一，走的不是反代的野路子；二，Gemini 支持的模型基本都能在 Pi 里调，而且可以分配不同线程并行用；三，Flash 本身输出就快，叠上 Pi 干净的上下文，干活速度很冲；四，动机很实在——作者最近 Codex 和 Claude Code 都有点算力紧张，才转头试谷歌的模型，顺带发现"谷歌的 AI 味没有 codex 那么重"。

这是 Pi 生态的第八击，落点和前几件都不同：耳朵（本地语音）、七篇（官方原理课）、六步（系统搭建）讲的都是"把 Pi 本身用深"，这条讲的是"给 Pi 换后端"——宿主归宿主、模型归模型，插件接上就能换马。

58606 那份 400 万行解剖说过，十一家生产工具的共同点是把 harness 与模型解耦；这条把解耦落到了个人桌面上：你觉得哪家模型顺手就接哪家，不用搬家。

动机那半句比功能更值得记。"算力紧张才换轨"是当下最真实的用户状态——订阅档位的额度是天花板，排队和降速逼着人备胎。今晚另一条刚讲过自动换马的三道坎，作者用行动给出了一个更朴素的版本：手动换。按环节换、按额度换、按味道换——路由的完全体没来之前，手动就是常态，而插件生态把手动的成本压到接近零。

至于"谷歌 AI 味更淡"的观察，是一份有趣的味觉样本。味没有统一标准，但它来自真实使用：排查前端、写内容这类活计上，两位作者的舌头给出了判断。选型时与其信榜单，不如信这种带着具体场景的主观评价——至少它诚实。

给想试的人一句落地的：装上插件先跑你最近积压最多的那类活，对比两条——响应速度和返工次数。速度是 Flash 的强项，返工才见真章；两样都赢，就把这条后端留下当备用通道。

一条去 AI 味的自述反着来：作者说他从不用什么去 AI 味的 skill——他的做法是直接口喷了一堆自己写的文章，喂给 AI 让它学，出来的基本就是他说话的味道。（配图见原贴）

这个方法听着糙，其实是最彻底的那一派。去 AI 味的路子今晚见过两条：一条是规范派——列清单、堵套话、段落四行封顶，靠"不要做什么"把味道压掉；另一条是结构派——三层口诀管住上下文、记忆和技能，让产出有迹可循。这两条都在"去"字上用力：把模型的默认口音去掉。口喷派换了动词——不去，直接换：与其告诉模型别像 AI，不如告诉它像谁。

两条路的差别在上限。规范派的天花板是"读起来不像 AI"——干净、合规，但没有性格；语料派的天花板是"读起来就是你"——有腔调、有偏见、有一贯的判断。要达到后者，门槛也更硬：你得先有足够多、足够一致的自有文本。

换句话说，去 AI 味的终极解法不是工具，是你先成为一个有文风的人——语料是果，人是因。这也解释了为什么市面上的去 AI 味 skill 一抓一大把却总差口气：它们能抹平平均值，抹不出个性。

两条路其实可以叠着走：先用规范清单把死的毛病清掉（这部分交给工具没错），再喂一个月自己的文章把活的腔调灌进去（这部分工具替代不了）。清理交给规则，养味交给样本——顺序也别反，先养味再清理，等于一边灌汤一边漏。

给被"AI 味"困扰的人一句落地的：打开你过去三个月最满意的一篇东西，原封不动喂给模型当参考，再让它写同题——比任何味觉检测器都立竿见影。它写得像你，就成功了一半；它写得像模板，说明你的语料还不够多，回去多写几篇再来。

vmg（Val Town 创始人）发了段带刺的经验之谈，开头先立了个靶子：有书呆子告诉他"我不用 agent，因为我写的代码比任何 agent 都好"——他的回应是"行吧，随你"；但当对方接着说"我也不用 agent 做监控"时，他就当面笑了。

笑点在于这半句是真话：部署生产的监控这件事，LLM 已经做得比地球上任何人都好——不是接近，是他原话里"能比全世界每个人都强"的水平。他给出的亲身排序更扎心：作为系统工程师，agent 帮他盯基础设施变更的日常价值，超过了 agent 帮他写代码。

这句话把整晚的讨论顺序掀翻了一次——我们默认"写码是主菜、监控是配菜"，他用几个月的实际收益说：配菜才是那道人人都该点的。

他的演进路径也值得抄下来，四步一个台阶。第一步，部署之后显式要求 agent 盯着——最原始的形态，每次都得交代；第二步，把这些交代固化成自己的一组 Skills——从"每次说"变成"一次配好"；第三步，团队里的 Review Agents 把整条工作流全自动接走，配上舒服的交互；第四步，回不去了。

这正是白天那句"结构对了、系统是长出来的"的活例——没人一开始就设计全自动，都是从一次手动叮嘱长出来的。

尾段他引了 Cursor 新出的 Rollouts 产品来补刀：先写一份监控计划、部署时按计划盯变化、部署本身先被验证、回归在用户看见之前被抓住——然后撂下一句：做系统和基建的，你的生产环境不该不配这个，不配就是鲁莽。

工具这半边的拼图（监控计划、部署验证）与实践那半边（盯、Skills、自动化）合在一起，正是今晚观测线想要的完整形态：看得见、接得上、拦得住。

把这条放回更长的坐标：今天早些时候刚说过观测的六格（看全、看见、动手、成套、读懂、好看），vmg 这条加的是第七件，也是最要紧的一件——用 agent 看 agent。基础设施在变、agent 在跑，用人眼盯人的节奏已经跟不上机器的节奏；让模型盯模型，不是因为模型更聪明，是因为它不困、不走神、能在凌晨三点的那次部署里保持和白天一样的注意力。

为什么偏偏是监控先到"比人强"？拆开看这类任务的属性就明白了。监控是持续的、模式匹配式的、低创造高耐力的活——它要的不是灵光一现，是每分钟都在场；而人类的注意力恰恰是稀缺资源，值班表排得再好，凌晨三点那一次抽查也一定比下午两点松懈。

模型没有这道注意力税，日志洪流对它是可以逐行吃的文本，异常模式对它是一次次的模式匹配。写代码恰恰相反——创造性高、需要品味和全局权衡，模型在那里只是"够用的帮手"。一个赛道比人强、一个赛道够用，把资源押在哪，账很清楚。

这也就解释了为什么门禁与监控这对组合最不该被仪式化。白天刚吐槽过"装着挑毛病"的评审和"删 40 万行也不掉覆盖率"的测试——它们被糊弄，是因为人做这些事会累、会应付；而监控的数据是自动流进来的，agent 复核监控结论时没有"今天不想干"的选项。

同样一套流程，交给不会累的执行者，仪式化的土壤就没了——这大概也是自动化的真正适用边界：先自动化那些最容易被人类糊弄的环节，回报最实。

给做基建的人一句落地的：把"部署后显式让 agent 盯一次"当成今天的最小动作——一次就行，跑一周你会自然想把它写成 Skill；到那一步，自动化的每一分钱都是你自己省下来的，而不是买来的。

Liquid AI 今天放了个实验性模型：给自家 LFM2.5-VL-3B 配的 DSpark draft，把投机解码第一次带进了视觉语言模型。机制说得很朴素——一个轻量的 drafter 往前提议多个 token，目标模型一次 pass 验证这批提议；生成加速，输出质量不变（细节以官方仓库与评测为准）。

三组数字都给了（batch=1、温度 0、六类视觉任务）：MLX 上的 M5 Max 解码快至 3.13 倍、端到端 2.62 倍；llama.cpp 上的 M3 Ultra 2.14 倍、1.77 倍；SGLang 上的 H100 2.66 倍、2.27 倍；评测用的是他们自建的 Pipette 基建。

先把机制摆正：投机解码和今晚反复出现的蒸馏是两条不同的加速路。蒸馏靠"把重活学成轻活"，用得更小更省；投机解码不动模型一根汗毛——它赌的是"提前猜几个字、再让正主一次核对"，猜对了白赚、猜错了作废重来。

前者改的是模型，后者改的是节奏；这条的好处是质量严格不变，因为它从头到尾只做加速、不做取舍——与"4.61 倍换 93.2% 保真"那种有偿压缩，正好是一对反面。

第二组数字藏着一个经典规律。三个平台的解码提速都在两到三倍，端到端却只剩 1.77 到 2.62——差额去哪了？去了解码之外的部分：视觉编码、内存搬运、调度开销。这是阿姆达尔定律的活教材——把流程里最快的那环再提三倍，整体收益永远被最慢的那环封顶。对做端侧优化的人，这条提醒比提速数字更值钱：先找到你的"非解码占比"，再决定优化投给谁。

第三，给的三个平台各不相同（苹果 MLX、跨平台 llama.cpp、服务器 SGLang），说明这次发布瞄的不是某一家硬件，而是"轻量 VL 模型跑在哪都该快"的通用诉求——3B 这个尺寸正是端侧与低成本部署的甜点位，甜点位配上无损加速，落地的阻力又小了一圈。

给想试的人一句落地的：先用你自己的输入分布跑对照——投机解码的收益高度依赖"猜得准不准"，你的任务如果句式特别、drafter 猜不中，收益会远低于官方三组数。跑一组自己的 2.62 还是 1.2，只有你的真实负载能回答。

有人用 WorkSwarm 演示了多 agent 的实战打法：不做"一个 AI 包打天下"，而是分了三份活——Agent A 负责 3D 的 Three.js 组件，Agent B 负责 UI/UX，Agent C 负责把整个前端集成起来，三个各自干活、协作出一个完整的 3D 网站，Apache 2.0 开源。（工作流视频见原贴）

这是 WorkSwarm 三部曲的第三篇，正好从理论落到现场。前两篇一篇讲三个不丢（上下文、归属、决策），一篇讲从"完成"到"改进"的循环；这条演示的是中间最朴素的问题：分工本身怎么落。答案看起来简单——按领域切，但切得准不准有讲究。

三份活的边界切在"技能不同"的接缝上，而不是"任务大小"上。3D 组件要懂三维数学和渲染性能，UI/UX 要懂视觉层级和交互习惯，集成要懂模块契约和构建链——这是三种完全不同的判断标准，硬塞给一个 agent 会互相稀释：它给 UI 提的建议带着 3D 的思维，反过来也一样。

分工切对了，"归属"那格自动清晰——每个 agent 对自己领域的产出负责，出错时不用猜是哪一环。

顺带一提，这条还把"人机协作"的老问题反过来了：过去讨论的是一个人怎么指挥三个 AI，实际跑起来更像三个各有所长的同事共事——你当项目负责人，分需求、验收接口、盯进度。协调的功夫花在"接口定义"上：三份活交界的地方（3D 模型的命名规范、UI 组件的 props 契约）必须提前钉死，否则三个 agent 会在接缝处互相埋怨。

给想照做的人一句落地的：别急着开第四个 agent，先看你的任务清单里有没有真正的领域分界——有分界就按领域切，接缝处写一份接口约定；没分界（全是一个模子的活），一个 agent 加好流程就够，硬拆只会增加沟通税。