别再用框架堆“AI垃圾”了：真正成熟的Agent有4个层级

很多团队都在“做 AI Agent”，但 Ara Khan 在这场分享里毫不客气地指出：大多数人只是在生产 Slop。真正有价值的 Agent，不是换个框架就升级，而是要跨越四个成熟度层级，其中第三层甚至逼近强化学习系统的设计方式。

最刺耳的开场：99%的 AI Agent，其实不该存在

这场演讲一上来就不讨好人。Ara Khan 抛出的核心判断是：如果你只是“用了一个 Agent 框架”，那你大概率只是在制造噪音，而不是系统能力。

他把这种状态称为 Level 1：直接调用现成框架，把 LLM 包一层壳，就敢叫 Agent。好处是快，坏处是——你根本不知道它为什么成功、为什么失败，更谈不上演进。这个观点之所以刺耳，是因为它击中了当前行业最流行的做法：Demo 很炫，系统却极其脆弱。

一句话总结 Level 1 的问题：“你没有在构建系统，你只是消费抽象。”

从“会用框架”到“自己造 Agent”，差的不只是代码量

Level 2，才是真正开始“做工程”。Ara Khan 的定义很直接：你不再完全依赖框架，而是自己设计 Agent 的结构、状态和行为逻辑。

这一步看起来只是工程能力升级，实际上是认知转变。你需要明确：Agent 的输入输出是什么？中间状态如何保存？失败如何回退？哪些能力该硬编码，哪些该交给模型？

他特别强调了一点：这时候，团队里“最懂业务的人”往往比“最懂模型的人”更重要。因为 Agent 的价值，不在于 prompt 写得多漂亮，而在于是否真的嵌进了真实工作流。

真正的分水岭：把 Agent 拉进“伪强化学习”流水线

Level 3，是整场演讲信息密度最高、也最容易被忽略的一层。

Ara Khan 的原话很克制，但意思很重：成熟的 Agent，必须能被当成一个可测试、可评估、可优化的对象，像强化学习里的 policy 一样被反复迭代。

这意味着什么？意味着你不能只看“这次跑通了没”，而是要有评测、有反馈、有版本对比。哪怕你不用完整的 RL 算法，也要有类似的 pipeline：定义目标 → 执行 → 评估 → 调整。

很多团队卡在这里，因为这一步会强迫你正视一个问题：你的 Agent，到底是在“偶尔聪明”，还是在“稳定进化”？

Level 4 的暗示：Agent 将变成组织结构的一部分

最后一层，Ara Khan 没有展开太多实现细节，但给了一个非常有画面感的比喻：用 Kanban 看 Agent。

在他的描述里，Agent 像一个工程经理，在不同成熟度层级之间上下滑动：有些任务适合低自治，有些必须高度自治；有些阶段需要人介入，有些可以完全放手。

这实际上是在暗示一个趋势：当 Agent 成熟到一定程度，它不再只是“工具”，而是组织运作的一部分，和流程、角色、责任一起被设计。

总结

这场分享最重要的 takeaway 不是“如何做一个更复杂的 Agent”，而是：别急着炫技，先想清楚你处在哪个成熟度层级。Level 1 的 Agent 可以用来探索，Level 2 用来落地，Level 3 才有资格谈规模化。

如果你正在做 AI Agent，一个很实用的自检问题是：我的系统有没有稳定的评估和反馈机制？如果没有，那它离真正的“智能系统”还差得很远。下一波拉开差距的，不是模型参数，而是这些看起来不性感、却决定生死的工程与系统设计能力。

关键词： AI Agent， Agent 成熟度， 强化学习， 系统设计， AI 工程

事实核查备注： 需要核查：视频完整时长；Ara Khan 的完整身份与背景；视频中是否明确提出“4 Levels of AI Agent Maturity”的原始表述；Kanban 比喻的原始上下文。