他们现场从零写 AI Agent：真正值钱的不是模型，而是这套工作流

大多数人还在纠结用什么模型、什么提示词，这期 Greg Isenberg 的视频直接换了个维度：现场从零开始搭一个 AI Agent。没有玄学，没有宏大叙事，只有真实的代码生成、调试、部署和踩坑过程。看完你会发现，AI Agent 的护城河，根本不在模型。

最反直觉的一点：AI Agent 的难点不在“智能”

视频一上来就很反常识。没有讲什么“多智能体革命”，也没有讨论 AGI，而是直接共享屏幕开始干活。Greg 和嘉宾的共识很明确：AI Agent 的核心问题，从来不是模型够不够聪明，而是你能不能把流程跑通。

他们选择从一个极其简单的 use case 入手，刻意压低复杂度。这背后的逻辑很现实——你以为 Agent 失败是因为模型不行，实际上 80% 是工程问题：上下文传递、任务拆分、状态管理、错误处理。

一句很有分量的判断是："directionally right is enough"。只要方向对，Agent 输出不完美是可以接受的，真正致命的是流程跑不起来。

CrewAI + Cursor：代码不是你写的，但结构必须是你想清楚的

真正进入构建环节，他们用 CrewAI 来“创建 crew”，用 Cursor 直接生成代码。这一段非常戳痛点：代码生成已经不是优势，知道“生成什么样的代码”才是。

在视频里，Crew 的配置几乎决定了 Agent 的上限：角色怎么拆、任务如何串联、输出如何校验。一旦结构定错，后面再聪明的模型也只能“稳定地犯错”。

Greg 抛出一个关键问题：既然代码是生成的，那差别在哪里？嘉宾的回答很冷静——输出在表面上可能一样，但可维护性、可扩展性完全不同。企业级和个人玩具的分水岭，就在这里。

Zapier、部署与调 Bug：真正劝退人的地方

如果你只看教程，永远看不到这一段：Bug。

视频中明确展示了 Agent "不按预期工作" 的瞬间，然后开始排查：是不是配置问题？是不是权限？是不是环境？这种真实感非常稀缺。也顺带点出 Zapier 这类工具的真实价值——不是让你“无代码”，而是帮你把 Agent 接进真实世界。

他们还提到 Enterprise 场景下的一些限制和差异：一旦规模化，稳定性、权限、日志、监控都会变成硬约束。AI Agent 从 Demo 到可用产品，中间隔着一整个工程世界。

为什么“指标”比提示词更重要

在后半段，一个容易被忽略但极其关键的点被提出来：metrics。

不是模型分数，而是 Agent 在真实流程里的表现指标——成功率、失败类型、重试成本。这些东西不性感，但决定你能不能持续迭代。

有一句话非常适合划重点：“Knowing these things sets you up for better outcomes.” 当你开始用指标看 Agent，而不是用感觉看，它才真正从玩具变成工具。

总结

这期视频最值钱的地方，不是教你“如何创建 AI Agent”，而是纠正了一个普遍幻觉：Agent 的价值不来自更聪明的模型，而来自更清晰的系统设计。

如果你是 AI 从业者，真正该做的不是追最新模型，而是：选一个极小的真实场景，用 CrewAI 之类的工具把流程跑通；敢于让 Agent 不完美，但一定要可调试、可监控；尽早建立指标，而不是沉迷提示词。

未来真正拉开差距的，不是谁的 Agent 更会“说话”，而是谁能把 Agent 接进现实，并长期跑下去。

关键词： AI Agent， CrewAI， 代码生成， 工作流设计， Agent 实战

事实核查备注： 需要核查：视频具体时长；是否明确使用 CrewAI、Cursor、Zapier 的版本；Enterprise 场景的原话表述；提到的 metrics 是否有具体示例