【AI早读 0626】Agent 重塑工作方式：从对话到委托

从聊天到委托：OpenAI用数据证明Agent正在改变工作

OpenAI今天发布了一篇经济研究报告，用内部和外部数据展示了Codex如何从开发工具演变为全公司的基础工作平台。报告的核心发现是：AI的交互模式正在从短对话转向长周期委托式任务。

截至2026年5月，80.6%的个体用户至少发起过一次估计需要超过30分钟人工时间的Codex请求，70.2%的用户发起过超过1小时的请求，25.6%的用户发起过超过8小时的请求。在OpenAI内部，Codex现在占每周输出token的99.8%，所有部门 - 包括法务、财务、招聘 - 都以Codex为主要AI工具。非开发者用户增长尤其迅猛：个体用户增长137倍，组织用户增长189倍。

链接：How agents are transforming work

报告中最有意思的数据点是“跨职能使用”：OpenAI的法务和招聘人员用Codex做自动化、数据转换、调试和结构化分析 - 这些原本需要工程团队介入的工作。Agent工具正在模糊职位描述之间的边界。

异步推理：Agent的底层基础设施正在重构

Tomasz Tunguz今天撰文介绍了Theory Ventures投资的Sail Research，一家专注异步推理队列的创业公司。核心论点很直接：今天所有推理都是实时的 - 用户打字，模型回答，然后时钟归零。但Agent场景不同，Agent可以并行跑十路、跑几个小时，实时推理的冷启动和预留容量在这种模式下成本极高。

链接：Full Sail on Asynchronous Inference

Sail的做法是队列化推理：在DeepSeek、Qwen、Kimi、GLM等开源模型间路由，为每个任务选最便宜的能打的模型。GLM-5.1在Sail上比Anthropic Haiku便宜6倍。等待两分钟而非两秒拿代码审查，同一token成本降低6倍。Sail还利用spot实例并在容量不足时回退到可靠计算 - 机群感知编排保持高利用率。

这个思路和Tunguz之前写的“token-maxxing”一脉相承：AI从助手变成后台worker后，绝大部分token将通过队列流动，而非实时通道。

德国法院裁定：AI概览是Google的“自己说的话”

Bruce Schneier评论了一项德国法院裁决：Google因AI概览错误被判承担责任。核心法律逻辑很简单 - 如果企业雇佣人类写手写摘要，企业要对摘要错误负责。AI代理是部署者的代理，法律上应当同等对待。

链接：AI and Liability

Simon Willison在他的博客中转引并评论了这一裁决。Schneier的论点尤其尖锐：“如果企业可以躲在'AI犯错'后面推卸责任，那为什么不炒了人类改用AI？反正更便宜，出事还能甩锅。”这个裁决可能成为AI责任领域的一个重要先例。

Cloudflare为Workflows实现了Saga回滚

Cloudflare Blog今天介绍了他们如何为Workflows构建saga模式回滚机制。Saga是分布式系统中处理长事务的经典模式 - 把一个大操作拆成多个步骤，每一步有对应的补偿操作。Cloudflare将其应用于有状态工作流，当某个步骤失败时自动触发补偿。

链接：How we built saga rollbacks for Cloudflare Workflows

对于构建长时间运行的Agent工作流的开发者来说，这个模式很值得参考 - Agent链路的失败处理、回滚和补偿正是分布式系统中saga发挥作用的地方。

更多动态

• Codex Remote 达到GA状态，面向正式生产环境开放。
• Vercel发布AI SDK 7，并新增Deep Agents和OpenCode harness适配器。
• Hugging Face推出单命令在HF Jobs上运行vLLM服务器的功能。
• Philipp Schmid用Gemini 3.5 Flash Computer Use控制Android手机，展示了端到端的移动设备Agent控制能力。
• AWS ML Blog集中发布多篇Agent相关文章：用MCP协议构建健康分析Agent、Agentic overlay改造遗留企业服务、SageMaker AI集成NVIDIA Blackwell优化训练。

---

来源：VerySmallWoods Research Feed - 2026-06-26 UTC