我一直在搭建 Agent，也和创业者、一人公司（OPC）的经营者交流，并参与 AI 原生社区，向大家学习。

我一直在探索的问题是：一个 Agent，要提供怎样的价值，才会让人愿意为它付费？

思考下来，我反复回到两类来自人的关键输入。

第一，专家判断。

无论模型、记忆、工具和 AI 评审机制做得多好，Agent 仍然有局限，也可能产生幻觉。有实战经验的专业人士，可以帮助判断哪些信息准确、可靠且没有过时，在真实场景中评估回答，分析错误，再把反馈用于改进 Agent。

一位有实际经验的律师、医生或营销人员，知道给出建议时必须考虑哪些细节。

第二，用户上下文（User Context）。

这是很多 Agent 开发者低估的部分。

举个例子，一位广告主问：“怎样提升我的广告投放效果？”

即使已经拿到广告数据，Agent 可能仍然需要追问：

  • 我们是在推广一款新产品，还是推动一个成熟品牌继续增长？
  • “提升”指的是更多销量、更低的获客成本，还是更高的利润？
  • 预算可以增加，还是必须保持现有支出？
  • 产品的利润空间有多大？获客成本必须在多久内收回？
  • 库存和销售团队能否承接更多需求？

如果产品马上就要断货，这时建议增加广告预算，就没什么意义。即使一条建议参考了很多其他广告主的需求，看起来很专业，只要关键假设错了，对你也可能毫无用处。

Agent 或许能从现有数据库中获取部分背景信息。但对于剩下的信息，它不应该不作说明就自行猜测。

这让 Agent 开发者面临一个两难：他们需要用户提供背景信息，才能交付有用的结果，却又担心多问几个问题，用户就会离开。当产品承诺的是“10 倍效率”时，要求用户投入更多精力，确实不容易让人接受。

我认为，开发者应该主动鼓励用户花时间说明目标、检验回答，并纠正 Agent。同时，也要让这个参与过程更容易，并让用户看到这样做的价值。

对于非技术用户，这意味着认真打磨使用体验：通过问题引导他们，示范哪些背景信息有帮助，并解释为什么某个细节很重要。当用户补充一个限制条件后，让他们看到建议因此发生了什么变化。让用户保存相关背景，下次使用时就不必重新交代。

用户不知道该告诉 Agent 什么时，产品应该帮助他们理清楚。

在改进模型、Agent 架构和专家输入的同时，我们也需要让用户更容易与这些系统协作。

如果产品必须依赖用户提供的背景信息，才能兑现我们承诺的效果，那么帮助用户提供这些信息，本来就是我们的工作。