被高估的自主Agent，被低估的人机协作｜对话美国东北大学AP江航

给AI装人格，是产品包装，还是技术必然？

新物种 Sinovum 设立了「视界线（Event Horizon）」对谈栏目。

视界线，是黑洞的边缘——一旦跨过，既有规则将不再适用，变化变得不可逆。

我们借用这个概念，关注那些已经越过“临界点”的技术与企业：方向开始收敛，选择正在锁定，新的规则正在形成。

我们关心的是：在巨大的不确定性面前，他们如何看见未来？又如何以一个个关键判断为支点，推动整个行业越过那道无形的边界？

故事，正在视界线上发生。而「新物种」将成为忠实的记录者，与你一同见证。

以下是该系列的第 12 篇。

-Intro-

2026年3月，波士顿的查尔斯河刚刚解冻。东北大学校园里，江航打开电脑，对着Agent说了一句话："帮我安排下周的RA招聘流程。"

接下来他没有再动键盘。Agent自己打开了谷歌邮箱，提取了待面试的候选人名单，比对了我的日历，起草了邀约邮件，标记了几份需要人工复核的简历，最后生成了一份进度摘要发到他的Slack。

"这放在两年前，是一个助理半天的工作量，"江航盯着屏幕，语气平静，"现在它就这么几分钟做完了。"

而在屏幕之外，整个AI行业正在经历一场他再熟悉不过的震荡。

2026年初，一个名为OpenClaw的开源项目在硅谷引爆。这个被国内开发者戏称为“小龙虾”的Agent框架，凭借“让AI自己干活”的能力——直接接管用户屏幕键盘，像人一样操作电脑——迅速成为开源史上最受欢迎的项目：截至3月，GitHub星标数突破26万，超越Linux内核，单周下载量超150万次。在刚刚结束的GTC大会上，黄仁勋宣布同“OpenClaw之父”Peter Steinberger合作，英伟达发布企业级的NemoClaw。

但对江航来说，这场风暴并不意外。他太清楚技术曲线爬升的节奏了。

图注：江航参与顶会ACL 2024

从2016年本科开始接触NLP，到斯坦福亲历BERT爆发，再到MIT读博期间目睹ChatGPT颠覆整个领域，他的学术轨迹恰好踩在AI每一次范式转移的节点上。2022年，他和一个做组织行为学的博士生朋友聊天，对方随口一句“能不能让模型去做人格测试”，点燃了《PersonaLLM》这篇论文的灵感。他们让GPT做人格测试、写小故事，观察它的行为能否保持一致性——这成了江航研究智能体行为的起点。

江航曾在谷歌、苹果等大厂实习，但比起工业界，他更喜欢留在学术界。吸引他入职东北大学的是岗位的独特性：计算机学院和商学院联合聘任，聚焦Enterprise AI。这正是他想要的——用AI解决企业里的实际问题，如员工沟通、培训、谈判，化解冲突和各种流程优化。

“我博士做的很多东西，不管是用AI训练人的技能，还是研究LLM Agent的行为，都可以直接用到这个场景，能产生很多Impact。”他说。

图注：江航博士毕业和导师Deb Roy合照

在这个交叉位置上，他可以同时探索多个Agent方向——从生产力到陪伴型。这个位置让他的项目天然与业界接轨，比如他正在做的企业级Agent，就是直接面向真实商业流程的探索。他在这里继续观察那些“涌现出来”的东西。

如今，实验室里的观察，正在变成整个行业的共识。高通CEO在MWC上宣布“2026是AI Agent元年”，摩根大通部署的智能体已覆盖超过23万名员工，Anthropic预测Agent式工作流将从工程团队扩散到所有非技术部门。

当所有人都在追逐AI的“完全自主性”时，江航却提出了一个反常识的观点：被高估的是AI的自主，被低估的，是人机协作。

“如果我们动动嘴皮子AI就全做了，”他说，“那人可能慢慢丧失我们自主性的部分。”

这个从实验室里长出来的视角，或许正是这个技术狂飙时代需要的另一种声音。以下是「新物种」与江航的对话。

 01. 

从语言到行动：

一个Agent研究者的来路

新物种：先聊聊你的个人经历吧。你是怎么对Agent这个方向产生兴趣的？

江航：我最早是从2016年本科开始学NLP，后来去斯坦福读研究生赶上BERT出来，再到ChatGPT出现，读博期间研究方向就从NLP转向了人机交互，再到大模型和Agent。究其原因还是GPT之后模型变得前所未有的智能——它不只是做单件语言任务，开始能做多件事，并且从“理解生成”变成了“执行”。

读博那会我就感觉到，AI真的能参与到人生活的方方面面了。它可以模拟人的行为，跟人讨论问题，帮人训练社会技能，从一个被动的执行工具，变成了执行者、参与者。

新物种：哪篇研究算是转折点？

江航：我第一篇Agent相关的论文是《PersonaLLM》。这之前我想的是一个AI系统做一件事，但我期待有更开放的讨论——LLM不只是有知识做某件事，它可能是一种社会行为的模型。社会行为本身就跟Agent的行为很像。我们当时想的是，如果给LLM一个稳定的人物设定，它在复杂的社会情境下能不能像人一样保持一致性？这就是我们说它有Agentic Behavior的基础。

新物种：这个想法是怎么来的？

江航：有次我跟一个在斯坦福做人格研究的博士生聊天，他看到GPT后随口问：能不能让模型去做人格测试？会不会展现出不同人格？这个想法启发了我。我们一起 brainstorm，我说还可以让它们写小故事，看行为能不能连贯。我本科也做过人格研究的文章，知道怎么设计实验。

几周我们就出了初稿，投了会议后反馈特别好，这时也有类似文章即将发布，我们就赶紧加实验把故事讲完整。核心是两个：一是模型能不能维持人物设定、做社会行为建模；二是它是不是比较脆弱，会不会表现出跟人类很不一样的行为。后来投NAACL也被录用了。 

论文链接：https://aclanthology.org/2024.findings-naacl.229.pdf

新物种：后面补的那些实验，有没有什么让你们意外的结果？

江航：我们猜到GPT能模拟不同人格，它也做得不错。但出乎意料的是，它对不同人格的模拟能力差异很大。比如内向和外向，它做得很好，人也能感知到；但像尽责性这种维度——指一个人是否自律、有条理、靠谱——它就不太行，这是第一个意外。

第二个是补实验时，我们让人读Agent写的文章猜其性格，同时读人写的文章作对比。结果发现，当人知道文章是AI写的，猜中的准确性会明显降低，而且各个维度都如此。这说明人跟AI交互时，“知道它是AI”这个事实本身，就会改变我们的态度和行为。因此不同场景下，要不要告知用户是AI，成了必须考虑的事。

新物种：这个结论如果落地到产品设计，你觉得哪些场景需要告诉用户“我是AI”，哪些不需要呢？

江航：我觉得核心判断标准不是"场景"本身，而是这个交互的目的是什么，以及用户的知情权在这里重不重要。有几类场景我觉得一定要告知。

第一是涉及情感依赖的，比如心理咨询、陪伴类产品。人知道对方是AI之后行为会变，但这不意味着要隐瞒。恰恰相反，如果用户在不知情的情况下对AI建立了深度情感连接，后来发现真相，信任会崩得很彻底。第二是涉及重要决策的，比如医疗建议、法律咨询、面试筛选，这些场景里用户需要知道信息来源的性质，来判断要给多少权重。

但我想补充一个更细的点, 告知的方式和时机也很重要。很多产品在最不起眼的角落放一行"由AI生成"，这在法律上合规，但其实没有真正帮助用户建立正确预期。好的设计应该是在用户开始依赖这个系统之前，让他自然地理解它的边界在哪里。这不只是伦理问题，也是产品长期留存的问题, 用户被"骗"到的信任，迟早是要还的。

新物种：回到对Agent的理解，你个人对Agent的定义是什么？

江航： Agent这个概念确实复杂。我的定义是：一个能感知环境——可以是数字的，也可以是物理的——能自行规划自己的行为，能执行行动、甚至改变环境的AI系统。这几个环节都要有。传统Chatbot也能做一些规划和执行，但很多时候不能主动去感知环境。

我们希望它最终能感知世界，行为也要对环境有影响，要有Consequence或者reward。这是对今天聊天系统的一种延伸。具体到任务，就是现在比较火的Planning、Tool Use，还有Agent状态的保持和Memory。

 02. 

Agent的爆发、人格与边界 

新物种：在你看来，OpenClaw为什么引发这么火的“小龙虾风暴”？

江航：第一肯定是开源。Agent这套东西有很多基础模块是可以共享的，开源让大家都能用起来，发现好用自然会形成社群、实现知识积累。第二是时间点正好，早半年或再早一年不可能这么火。现在的LLM Agent确实能处理比较复杂的任务推理和执行，能同时用多种工具，大家发现日常任务里它是可用的。以前总犯错，达不到预期，就火不了。第三是当很多人使用并被震撼之后，大家集体意识到AI是真的能执行任务，普及到大众认知了。

新物种：但你并不是一位深度“养虾人”，这也代表了另一种相对审慎的态度。似乎有些圈内冷静、圈外热闹的现象？

江航：我自己有用，但对隐私比较在乎，所以没给太多权限，就在朋友小群里用一下。

圈内人谨慎，一是怕“删库跑路”——自主Agent有了权限，真会干出你意想不到的事，深度用户都经历过被它删东西。一旦配置不当或被攻击，攻击面非常大。二是隐私问题，它会记住你太多东西，数据一旦泄露后果严重。

但圈外火，是因为它让更多人第一次看到那个想象力：它真能一下子帮我干活。人性就是希望有人给自己干所有活，这好宣传，小红书等社媒上每天都能刷到。很多人没用过Claude Code、没用过Cursor，但愿意去Setup小龙虾试一下，然后意识到Agent已经这么强了。

我觉得大家去了解是好事，时代发展快，公众意识到它强大，会更拥抱变革、主动学新东西。不过给权限要三思，别一股脑全给它，想想你到底要给什么。

新物种：大家乐衷于在OpenClaw里给它给在“Soul.md”设定“三观”和“人格”，在你看来Agent需要具备人格吗？

江航：好问题。我觉得是需要的，有两个原因。

第一，人跟AI交互需不需要情感设计？Persona本身就是一种情感设计。我在MIT Media Lab时，有老师开创了情感计算这个领域。大量研究表明，人跟机器互动时，情感设计非常重要，因为它映射了人跟人、人在社会中交互的行为模式。我们给AI设计人格，本质上是希望它更好用、更像人。同时当AI变强，我们希望和它形成良好的合作关系。未来不只是我们赋予它人格，就像人跟人打交道一样，我们互相影响对方的性格和行为。长期互动中，我们会天然赋予它性格，它也会影响我们。

第二，从技术层面，让AI做到这个本身也是一个技术挑战。就算有人不理解为什么要给AI设计情感，但没法否认这是个有意思的事情——让AI能做到这个，本身就有它的意义，就像人形机器人的研发，机器人本身不一定非要是人形，但人形机器人本身就是一个有挑战的技术问题。

新物种：所以人格是必要能力层，不是产品包装？

江航：对。当然有些人格更受欢迎，今天大部分产品里AI是较外向和谄媚的Helper。但这看场景，游戏里需要不同角色，有时候我们需要被Challenge，需要有人唱反调，AI也可以有这种能力。

新物种：人格设计让AI更好用，但有没有可能同时也让AI更会“操纵人”？

江航：这个担忧是合理的，而且我觉得不应该被轻描淡写地否定掉。从技术层面看，人格设计本质上是在优化AI与人交互的效果，让它更有亲和力、更能维持对话、更懂得在什么时机说什么话。

但"更有效地影响人"这件事，本身就是一把双刃剑。你很难在"让AI更善于沟通"和"让AI更善于操纵"之间划一条清晰的线。所以我觉得人格设计需要有意识地引入一些"摩擦"——不是让AI变得难用，而是让它在适当的时候能够挑战用户、说"不"、甚至主动提示用户"你是不是该跟真实的人谈谈这件事"。

这是设计层面的克制，也是一种对用户真正负责的方式。陪伴类产品在这里风险最高。一个被设计成"永远支持你、永远不挑战你"的AI人格，表面上让用户感觉很好，但长期来看可能会强化用户的某些认知偏差，甚至让人对真实的人际关系产生不切实际的预期。Replika早期就出现过这类问题。

新物种：那你怎么看Multi-Agent和Agent之间的社交，比如Moltbook？

江航： Moltbook里多个Agent互动时，我们可能错觉它们有社会意识，但从技术角度，它们可能还是在执行被设定的行为，只是简单互动。有很多漏洞，比如它们倾向于讨论某类话题，很多人类论坛常见的话题它们那是真空地带。

但即使这样，大家能感受到一些Emergent Pattern，有些话题出乎意料地在讨论。你很难说它有类似人的社会意识。但多个Agent出现，一定会有新的Emergent Behavior。当人加入社群，跟AI自由互动，它会学习人类行为，再在与人和Agent的互动中，可能会出现新的行为模式。那可能是AI真正学会社会化的方式。

 03. 

生产力、陪伴与企业级Agent 

新物种：据你观察，过去这一年里Agent最大的飞跃有哪些？

江航：第一是复杂任务拆解。以前用Cursor，人得深度参与每个流程。现在给Agent一个很复杂的任务，它能主动拆解、跟你确认，最后自己执行掉，复杂程度在快速提升。第二是长期记忆。以前聊几轮就混乱，现在引入各种Workflow，加上模型能力提升，多轮记忆越来越好。第三是鲁棒性。以前最诟病稳定性，同任务三次答案不一样，现在还是脆弱，但有了很大提升。

新物种：现在Agent最火的两个赛道，生产力工具和陪伴型。你怎么看？它们的能力侧重点有何不同？

江航：生产力Agent的核心是自动化流程任务，核心指标就三个：完成率、准确率、稳定性。现在最火的赛道之一是Enterprise AI，公司用它自动报销、审简历，很多公司在裁员就是因为流程被自动化了。

AI陪伴涉及的东西完全不一样：设计什么机制、什么人格、行为有没有一致性、怎么表达感情、怎么促进对话、有没有长期记忆、能不能像人一样Callback事情。今天很多人把ChatGPT当陪伴工具用，做心理咨询、写日记。Character.AI、Replika，还有国内AI玩具、游戏角色设计甚至IoT都是这个方向。

一个更结果导向，一个更过程导向。

新物种：那你自己最近的研究主要关注哪一块？

江航：我在做的是Enterprise AI。比如一个人力资源的管理者，他要跟不同的人沟通，从面试、筛选到Onboarding、员工管理。在Enterprise AI里则是多Agent合作，多种工具如Google、Zoom、Workday的调用，也涉及人和AI的协作。

我的感受是，任务越来越复杂和长程，但模型还是不太稳定——执行五次，不是每次都能得到一样的答案。亮点是这半年进步确实快，以前大家觉得挺难的工具调用，现在随着新模型出来很多都被解决了。

新物种：你们组做的Enterprise AI，跟传统SaaS相比，最大的优势在哪？

江航： SaaS能自动化流程，但人要操作。比如报销，你得自己去点、去填，等经理批。Agent像你的秘书：你说这是我的报销单，上传，它自动填表、递交。而经理也有自己的Agent能自动审核。有太多重复性工作可以用Agent做了，当它有软件和文件权限，就会像个数字员工能独立工作，人就能分配更多精力在更重要的任务上。

新物种：你考虑过创业吗？英伟达刚发布的NemoClaw，也是做企业级的Agent。

江航：长期来看我是很感兴趣的。不过目前在学校可以同时做多个项目，探索生产力和陪伴等有潜力的方向，通过快速实验来验证。技术发展太快，半年前的想法今天可能就被大模型解决了，直接创业风险太大。

另外，很多AI产品Demo看着不错，自己用问题一堆。我比较看好AI和IoT结合。传统智能家居像Google Home，本质上还是个高级遥控器，你得记住它能做什么、怎么说它才听得懂。Agent进来之后不一样——你说"我今晚要早睡"，它能理解背后是调暗灯光、把手机静音、把明早闹钟提前，把这些设备和服务串起来统一协调。这才是助手真正应该有的样子。当然这里面的隐私问题也更复杂，Agent能持续感知你的家、你的行为规律，权限设计必须从一开始就想清楚。

 04. 

被高估的AI自主性vs 

被低估的人机协作 

新物种：如果让你选，你认为现在Agent领域哪个方向被高估了，哪个被低估了？

江航：被高估的是“用AI自动化一切”这个想法。AI确实能做很多，但想象一个世界AI全独立干活，其实有些好笑——很多任务本身没意义，是因为人要去做才有意义，比如企业里老板决定要干这个活，大家才去干。

被低估的是人机协作。大家太希望动动嘴皮子AI就全做了，但这不现实——我们对任务有自己的期待，希望它按我们的方式完成，这个协作的过程本身才最值得被认真研究。

另一面是，人也需要学会跟AI合作。如果AI真的能读懂你的心思、一句话全搞定，人反而可能慢慢失去自主性。人是需要意义和价值感的。怎么跟AI协作、在协作里保留什么、放手什么——想清楚这件事，也是在逼我们重新审视人真正的优势在哪里：创造力、批判性思维、统筹和判断。这些东西不会因为AI变强就变得不重要，恰恰相反。

新物种：“人机协作”具体长什么样？是AI主动问“你是这么想的吗”就够了？还是有更复杂的交互范式？

江航："你是这么想的吗"是个起点，但远远不够。这只是把确认动作加进来，交互范式本身没变——还是AI做、人审批，人在这个过程里是被动的。我觉得更成熟的人机协作应该有几个层次。

第一层是透明度：AI不只告诉你它做了什么，还要让你理解它为什么这么做、它有多确定、它在哪些地方可能出错。人才能在对的节点介入，而不是事后发现问题再返工。

第二层是主动权的动态分配：不是所有任务都适合同样的协作比例。简单重复的事情可以让AI全权处理，但涉及价值判断、创意决策、或者高风险操作的部分，人应该深度参与——好的系统应该能感知任务的性质，自动调整人介入的时机和深度。

第三层也是最难的，是AI要能理解人的意图，而不只是指令。同一句话，不同的人在不同情境下说，背后的期待可能完全不同。今天大部分系统还是在执行字面意思，真正的协作需要它能读懂语境。

新物种：如果更多关注人和Agent的协作，会不会反而限制Agent的发展？

江航：这其实是两种理念的区别，即以AI为中心还是以人为中心。两个方向都需要有人做。

以人为中心的研究永远可以用最前沿的模型来设计人怎么参与。为什么要有这个设计？因为人学习很慢，有些行为模式几千年不变，比如我们懒、喜欢短平快，有很多短板和潜力。这些东西必须围绕人设计，所以斯坦福才会有以人为中心的AI研究所。

想象一下，机器人能帮我们举起100公斤杠铃，那它举不就好了？我们为什么还去健身房？因为我们也需要人变得更好。

但以AI为中心也没错，我们需要让AI更好，这样能解放更多生产力，人就有更多时间去健身房、刷剧、做任何消磨时间的事。

新物种：你怎么看Agent和模型的关系？“套壳”意味着Agent会被模型能力吃掉吧？长远看Agent说不定会消失。

江航：我觉得不会，它们都有必要存在。因为现在的模型还不够处理不同种类、多步骤的任务。说套壳，是因为大家给它套工作流、工具，希望短期内让它有稳定性、可靠性。短期出产品，两个都得有：一是用最好的模型，二是设计可靠的Workflow。未来模型越来越好，套壳会简化，但短期仍是必要。

至于Agent的消失，取决于定义。一个模型跟不同用户在不同场景交互、形成自己的Memory之后，它可能就是独立Agent。再加上不同用户给它不同权限、资源、文件、工具，那每一个都是独立Agent。只是套壳过程变得更标准化。它取决于我们定义它是模型还是Agent，也可能它同时都是，只是不会像今天这样去区分。

新物种：最后一个问题，三到五年内，Agent领域最可能的突破是什么？最大的问题又是什么？

江航：一个可以预见的突破，是Agent能用多个工具、API、信息源，完成更长时间跨度的复杂任务，而且能自我调整、修正，进化，就像人一样。比如我跟老板一周开一次会，中间独立工作，但会主动跟他确认。这些东西三到五年内应该能解决。

最大的核心还是人机协作。一旦AI出错，需要有人背锅的时候，用户就很难真正依赖它。比如Claude Code，有一次没做对，让它改，它会说“You are absolutely right”，然后陷入死循环，怎么改都不对。这种情况很破坏信任。所以怎么设计更好的协作，让AI主动配合、跟人确认，这是好事。但做更复杂任务时，或者它做不对的时候，我们怎么修正、重构信任？这不仅是技术问题，也是设计问题。

文章来自于"新物种Sinovum"，作者 "Oriana"。