近几个月来,"摆烂式编程"作为一种让普通人利用生成式AI构建应用的简单方法备受关注。但如果将这种轻松自然的语言交互方式扩展到其他企业工作流程中会怎样?这正是新兴智能体AI应用类别的承诺。在今天的VB Transform 2025大会上,展示了今年早些时候推出的Genspark超级智能体。
Genspark超级智能体的理念和方法很可能将"摆烂式编程"的概念扩展为"摆烂式工作"。但实现摆烂式工作的关键原则是顺其自然,对AI智能体施加更少而非更多的控制。
Genspark首席技术官朱凯在VB Transform大会上表示:"愿景很简单,我们希望将开发者的Cursor体验带到每个人的工作空间中。在座的每个人都应该能够进行摆烂式工作……不仅仅是软件工程师才能进行摆烂式编程。"
企业智能体AI的精髓在于"少即是多"
据朱凯介绍,实现摆烂式工作时代的基本前提是放弃一些几代人以来定义企业工作流程的严格规则。
朱凯大胆质疑企业AI的传统观念,认为严格的工作流程从根本上限制了AI智能体在复杂业务任务中的能力。在现场演示中,他展示了系统自主研究会议演讲者、创建演示文稿、拨打电话和分析营销数据的过程。
最引人注目的是,系统在现场演示中实际拨打了电话给活动组织者、VentureBeat创始人马特·马歇尔。
朱凯解释道:"这通常是我本人不太想亲自打的电话。所以我让智能体来做。"观众们听着他的AI智能体试图说服主持人将他的演讲时段安排在吴恩达演讲之前。通话实时接通,智能体代表朱凯自主制定说服性论据。
通话功能揭示了意想不到的使用场景,既突出了平台的能力,也展现了用户对AI自主性的接受度。
朱凯指出:"我们实际上观察到很多人使用Genspark来打电话……做各种不同的事情。一些日本用户使用它来打电话从公司辞职。他们不喜欢公司,但不想再给公司打电话。还有一些人使用代打电话智能体来与男朋友或女朋友分手。"
这些真实应用展示了用户如何将AI智能体推向传统业务工作流程之外的深度个人领域。
技术架构:为何回溯机制有利于企业AI
该系统在没有预定义工作流程的情况下完成所有这些任务。平台"控制更少,工具更多"的核心理念代表了与传统企业AI方法的根本性转变。
朱凯说:"在我们的定义中,工作流程是预定义的步骤,这些步骤经常在边缘情况下失效。当用户提出越来越困难的问题时,工作流程无法支撑。"
Genspark的智能体引擎与传统基于工作流程的AI系统有显著不同。该平台在专家混合配置中结合了九种不同的大语言模型,配备了80多种工具和10多个优质数据集。系统采用经典的智能体循环:规划、执行、观察和回溯。朱凯强调,真正的力量在于回溯阶段。
这种回溯能力使智能体能够智能地从失败中恢复,在出现意外情况时寻找替代方法,而不是在预定义的工作流程边界处失败。系统使用LLM评判器评估每个智能体会话,并为每个步骤分配奖励,通过强化学习和提示手册将这些数据反馈用于持续改进。
这种技术方法与LangChain或CrewAI等既定框架明显不同,后者通常需要更结构化的工作流程定义。虽然这些平台擅长编排可预测的多步骤流程,但Genspark的架构优先考虑自主问题解决而非确定性执行路径。
企业策略:今天的工作流程,明天的摆烂式工作智能体
Genspark的快速扩张——从推出到45天内实现3600万美元年度经常性收入——证明自主智能体平台正从实验阶段转向商业可行性。
该公司"控制更少,工具更多"的理念挑战了企业AI架构的基本假设。
对于在AI采用方面领先的企业,影响是明确的:开始构建既能处理可预测工作流程又能进行自主问题解决的系统。关键是设计当复杂性需要时能够优雅地从确定性流程升级到智能体行为的平台。
对于计划稍后采用AI的企业,Genspark的成功表明摆烂式工作正成为竞争差异化因素。当AI原生公司拥抱更流畅、更适应性的知识工作方法时,那些仍被锁定在严格工作流程思维中的组织可能会处于劣势。
问题不在于自主AI智能体是否会重塑企业工作流程——而在于当20%的复杂案例变成80%的AI工作负载时,您的组织是否已经准备好了。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。