agent有感1：claude code/codex/opencode
最近几天玩了玩三个AI智能体（英文称之为AI Agent）——claude code/codex/opencode，有些体会，作文分享。
推出时间
cc于25年2月推出；codex于25年4月推出；opencode于25年5月推出，是cc/codex的开源平替。
这仨都在25年下半年越来越火。我们可以在 https://www.star-history.com 查看他们走红的时间。
注：openai 2021年为初版GitHub Copilot训练了一个名为”codex”的模型（对GPT-3微调得到的），在2025年4月又推出了一个名为”codex”的在命令行中运行的软件。两者不是一个东西。
类似物
它们类似于vscode/cursor的agent模式，但能跑更长时间，使用方式更极简。
危险程度排行
众所周知，agent是十分危险的，无论是对个人还是对全人类。轻则删库删文件，重可。。。（自行联想）
如果对现在的AI做一个危险程度排行，我认为：问答式＜vscode/cursor的agent模式＜cc/codex。
问答式AI，最危险的情况无非是散布谣言、忽悠一大批人，这种事古已有之，不怕。
25年春夏，Bengio曾希望用问答式AI（他称之为Scientist AI）来控制Agent AI。这可能是低级智能控制高级智能的唯一方法。
学到东西排行
cc/codex是不利于学习的。我可以用它俩帮我复现一篇文章，但我会对这篇文章一无所知。我也可以用它们帮我写出vit或mamba，但我也会对它们一无所知。
学到东西排行：问答式＞vs code/cursor 的agent模式＞cc/codex。
我认为，至少目前，人参与得越多，学到的东西越多，危险程度越小。
运行时间排行
毫无疑问，问答式＞vs code/cursor 的agent模式＞cc/codex。
科研与工程
如果你发明了一个新算法，或者用ai证明了某个数学难题，本着负责任的态度，你应当一行一行看。
但对于工程问题，cc/codex是可用的，因为你可以根据他们给出的定量指标来判断对错。
维护困难
cc/codex当然有很高的商业价值，也带来很多机遇。现在我奶奶都可以用它们都可以写网页、APP、软件。只不过后续维护很困难。
提示词
23年秋gpt-store发布时（第一届openai开发者大会），我曾以为它也能改变世界，结果并没有。我用了快一年，后来用得越来越少，直到彻底不用。
究其原因，它不过是相当于多写了一轮提示词。那我为什么不直接多写一轮提示词呢？
现在anthropic推出的所谓的MCP和skills，无非也是多写一轮提示词罢了。
但是，要注意，GPT-Store是和问答式AI绑定的， mcp和skills是和agent AI绑定的，因此或许后者可以超越前者。
工作流
cc/codex 对于工作流可能带来颠覆。
比如，我之前用AI做PPT，需要先用问答式AI写提示词，再把提示词教给gamma这样专门生成PPT的AI。现在直接用它们就行了。而且，前者没法迭代，后者可以。
这里的关键是：安全对你的工作到底有多重要？如果改错了对你影响大不大？需不需要你自己去检查它们的修改？
如果你的回答是：非常重要、非常大、需要，那么它们对你的帮助可能不大。
多智能体协作
opencode丝毫不虚cc/codex。开源好处之一是有很多人无偿支持。这不，有一个很好用的插件叫oh-my-opencode，发明者搞了7个智能体协同工作。这东西很不错，很可能改变世界。
多智能体协作这事古已有之。24年的alpha geometry, 22年年初的instruct gpt, 甚至14年的GAN，称得上是广义的多智能体协作。但在AI Agent时代它可能会大放异彩。
编程、数学、物理
编程
上述内容都是AI在编程上的进步。其实从2022年11月ChatGPT发布的那天，大家就应该想到会有今天的结局。当年的ChatGPT就可以5分钟用5种方法实现svm，那今天的这些又有什么可让人惊讶的呢？
数学
和编程一样，数学也是标签非常明确的任务，很适合测试AI，我很喜欢。
据我所知，目前有6个自然语言模型可以达到IMO Gold的水平：
| 序号 | 模型名称 | 开发机构 | 发布时间 | 论文链接 | 开源状态 | 模型链接 |
|---|---|---|---|---|---|---|
| 1 | - | OpenAI | 2025年7月 | - | × 封闭权重 | - |
| 2 | - | 2025年7月 | - | × 封闭权重 | - | |
| 3 | DeepSeek-Math-V2 | DeepSeek | 2025年11月 | 2511.22570 | ✓ 开放权重 | Hugging Face |
| 4 | DeepSeek-V3.2-Speciale | DeepSeek | 2025年12月 | 2512.02556 | ✓ 开放权重 | Hugging Face |
| 5 | Aletheia | 2026年2月 | 2602.10177 | × 封闭权重 | - | |
| 6 | Ring-2.5-1T | Inclusion AI | 2026年2月 | - | ✓ 开放权重 | Hugging Face |
但是OpenAI和Google完全不提他们是怎么做到的，而DeepSeek的文章写得很详尽。我相信公道自在人心。
多智能体协作应可以帮助人类达到IMO第一的水平，现在只有一步之遥。gpt-o1发布的那天就注定如此了，因为它五分钟就能解决五道本科水平的数学题。
下一步则是超越人类，去证明人类不曾证明的重要的数学题。注意是重要难题，而不是边角料和小鱼小虾。
这点未必能做到。毕竟IMO只是高中水平的数学比赛。
物理
大语言模型，在编程、数学、语文上都展现出了极强的能力。但是他的物理水平也就那么回事儿。他可以拿到IMO金牌，但是却并不能给你讲清楚，地球如果不自转绕着太阳是平动还是转动；也不能说明白，为什么伽利略用脉搏测单摆周期而桑托里奥用单摆周期测脉搏，物理学家却认为他俩都是对的。
许多学者渴望的 世界模型/具身智能 是一个真正理解物理的AI。这点也未必能做到。
为什么大语言模型在数学会比物理先成功呢？
我想到两个原因，第一，数学更适合用语言来描述，相比物理，故而训练数据上前者远比后者多。第二，数学是极端严谨的，物理则是介于严谨和不严谨之间的，这就是说，对于前者，大语言模型可以得到一个明确的label，从而有明确的反馈。
有一个很有名的物理学家曾经对学生说，不要问我质量是怎么定义的，电荷是怎么定义的，在物理学里我们没法精确的定义任何东西，当我说一件事情，你大约知道我在说什么，当你说一件事情，我也大约知道你在说什么，这就足够了。
多智能体协作或可对理解物理有些帮助。
付费
订阅上，我为OpenAI, Github Copilot, Sider付费较多。
API上，我为DeepSeek, Kimi付费较多。
这些钱我觉得都很值。
专用、通用
cc/codex达到通用人工智能了吗？
2023年11月，谷歌写了篇论文，名为 *Levels of AGI for Operationalizing Progress on the Path to AGI*，分析专用人工智能和通用人工智能都做到什么程度，表一如下：
这张表对5个等级的定义，我认为是合理的。
o1/o3、cc/codex，厉害归厉害，但是不能给你倒杯水，也不能操纵机械臂倒水，也不能给你炒盘菜，那肯定排不到通用level2。换句话说，2022年RLHF、2024年chain of thought、2025年agent的突破都达不到谷歌这篇论文里的通用level2。
我认为可以再加一列：文字相关任务。
语文、数学、代码，均为文字。
| Level | 专用（Narrow） | 文字相关任务（Literate） | 通用（General） |
|---|---|---|---|
| 0 | 无AI | 无AI | 无AI |
| 1 涌现 | 早期专家系统 | GPT-1, GPT-2, GPT-3 | GPT-3.5, GPT-o1, Claude Code |
| 2 有能力 (>50% 专业人士) | Siri, Alexa, 智能助手 | GPT-3.5, GPT-4 | 尚未实现 |
| 3 专家 (>90% 专业人士) | DALL-E 2, Grammarly | GPT-o1, DeepSeek-R1 | 尚未实现 |
| 4 大师 (>99% 专业人士) | 深蓝, AlphaGo | Claude Code/Codex/Opencode | 尚未实现 |
| 5 超人类 (>100% 专业人士) | AlphaFold, AlphaZero, StockFish | 尚未实现 | 尚未实现 |
Human Last Exam
Human Last Exam, HLE 可以看成文字相关任务4或5的水平。它不是通用的。
翻译软件
2024年12月，我写下：我认为深度学习是欧几里得、伽利略之后的第三次科学革命。大意是，深度学习可以充当人类和自然界（特别是复杂系统）的“翻译软件”。
这里有件事需要考虑一下——“翻译软件”要打造成专用还是通用的？
我现在的想法是：
- 对于文字无关的任务（例如，解码EEG或ECoG信号），应走专用路线，类似 AlphaFold。
- 对于文字相关的任务（例如，证明黎曼猜想），应走通用路线，类似那6个IMO金牌模型，而不应该再走 AlphaGeometry的专用路线。