学术界的AI发展越来越畸形了。

最近在找AI Agent方向的科研，发现学校没有一个pi是做这个的。top50其他学校的组也凤毛麟角。感觉现在学术界完全没和工业界对齐，学术界对LLM也还停留在全民大炼丹时代。 今天，在下游绝大多数企业都被Ai Agent撑起来、证明能够实际创造价值的情况下，我也已经见过好几个搞学术的心里想：LLM领域只有涉及到训练的才算学术、LLM再新也得配上强化学习等传统的那套老东西来发论文，AI Agent就是个毫无技术含量、纯写prompt的文科生工作。感觉这种思想很像“我比你难，所以我比你高级”的蜜汁优越感。（就像此话题下面点小丑的一样） 最后的恶果就是绝大多数非顶尖CS学校博士毕业，都找不到对口工作。好不容易脱层皮博士毕业，又得脱层皮重新换方向。 其实，印象里前年的一些顶会，也是一个风气，很难认可并接受AI Agent这种极其engineering对东西，毕竟审稿人都是学术界来的。近两年AI Agent方向的论文逐渐多起来了，但是美国这些top50的AI方向里，依然很少很少有搞AI Agent的组。他们要么就不碰，要么就和自己原来方向交叉一下蹭个热度，要么就像上文说的 直接歧视ai agent的科研方向。 但依我看，如果把学术界和工业界对齐，应该是模型训练只能是那些让博士毕业生能去最头部公司的训练岗的CS顶尖学校/强组去搞，剩下进不去的也没必要浪费资源重复造轮子，剩下的top50每个学校的一两个强组搞搞LLM训练方向还说得过去，剩下的top50的AI组、剩下的学校全都应该去搞AI Agent，去搞这些市场经济真正证明有用的东西。 不然现在搞训练的都在歧视做agent、写prompt的，结果到最后绝大多数普通人才发现训练才是屠龙之技，有什么用？

我感觉AI agent就是没什么可做的，要是真的有人读个5-6年博士专搞AI agent，等毕业这个方向早就成熟了。AI agent本质上就是纯调prompt靠loop+tool call做出各种奇幻效果的东西，完全不需要一个博士来做。 Agent 的落地难点不在算法，而在垂直领域整合，做market product fit，如果真的热爱搞AI agent，直接去startup可能更好：别人搞出来paper，你以最快的速度做出来demo去落地，这样子的收益才能最大化

白洲梓的星怒: 不然现在搞训练的都在歧视做agent、写prompt的，结果到最后绝大多数普通人才发现 训练 才是屠龙之技，有什么用？

Kitsch: AI agent本质上就是纯调prompt靠loop+tool call做出各种奇幻效果的东西 其实就是太偏实际应用，导致benchmark之类的很不好做、不好讲故事、发论文 ai agent在学术界的劣势就是任何创新点都能被视为纯写prompt包装出来的。实际上一个看似简单的创新点，都是用大量token堆出来且能产生实际效益的 Kitsch: 而在垂直领域整合 确实，但是学术界没人搞，科研经历不好攒，工业界又要经历，就比较难

现在真有不少人是这种想法

这句话最后是Agent是屠龙之技还是训练是屠龙之技呀？ 原来是训练就是屠龙之技！

来交叉领域看看？到处都是。

我有个很浅显的问题： 什么是AI Agent？

现在整个地球都不超过20家企业搞训练，顶尖CS学校的phd或者top50强组的phd搞训练能进这种岗位，但其他普通人搞训练就是炮灰，对普通人来说确实是有点屠龙之技的意思了

AI Agent（人工智能智能体） ，简单来说，就是 能“自主完成任务”的人工智能系统 。它不只是回答问题，而是可以 理解目标 → 做出决策 → 采取行动 → 根据结果调整行为 。 #p-7255777-h-1一句话理解 AI Agent = 会自己“想—做—改”的AI #p-7255777-ai-2和普通聊天AI有什么区别？ 普通AI（如问答） AI Agent 被动回答问题 主动执行任务 每次只做一步 能拆解多步任务 不记上下文目标 持续围绕目标行动 不直接操作工具 会用工具（搜索、代码、软件等）

你别拿chatgpt/Gemini/bot的结果来搪塞我。 你说说看看什么是AI Agent？ 感觉所有AI以及不做AI的人和企业都在说自己是在做AI Agent。

你说的没什么问题，但就像ilya说的，现在应该回到research的时代，学术界没资源搞点novel的东西也挺好的。PhD搞重engineering的东西怎么毕业。 虽然到最后大部分PhD还是要去工业届

ai agent就是设计程序让AI编排工作链、使用工具、执行任务设计，最大程度让效率最大化 举个例子，cursor就是个ai agent。你和GPT的api直接对话效率又低 准确度又低 能做的事又少。但把GPT的api接到cursor里，就截然不同了

LLM + Tool Using + Context Switching吧

确实发现交叉领域有很多机会。现在找工发现工业界实习岗位也大多是sde，实在不行暑假就去学术界交叉领域搞agent了

白洲梓的星怒: 但依我看，如果把学术界和工业界对齐，应该是模型训练只能是那些让博士毕业生能去最头部公司的训练岗的CS顶尖学校/强组去搞，剩下进不去的也没必要浪费资源重复造轮子，剩下的top50每个学校的一两个强组搞搞LLM训练方向还说得过去，剩下的top50的AI组、剩下的学校全都应该去搞AI Agent，去搞这些市场经济真正证明有用的东西。 请问我们是在作学术界的十六五规划吗

对，ai agent主要是工程化，不算research

SDE和MLE真的不分家，有需求的时候互相切换的 工业界好的manager知道要招聪明的，而不是卡发了多少篇灌水顶会的，真的组里有需求的时候C++也要上，调参也要上，最忌讳那种说自己是MLE写不来C++的那种人 $GOOGL为什么能在AI时代吊打OpenAI，是因为之前花高薪养了一堆聪明人在公司里躺着，有事情人家真的能顶上来搞LLM，而不是像小扎一样急了顶薪挖了个Alex Wang

有无agent推荐

别要求太高，真想玩这种热门东西建议回国找，美国AI学术界落后国内好几年了 主要是美国很多大学一没钱，二太注重diversity，什么领域都要招人，什么领域都要保持faculty平衡，然后学生一窝蜂全去找那寥寥几个追热点的老师（其中很多还是老中）；再一个学校里面也没什么卡，也玩不出花样来

其实近两年顶会已经出现一大批优质的、有开创性的ai agent文章了 但就是不知道为什么学术界不跟进，教授们还在自己的舒适区搞研究，很少有人跳进这个领域来，说：”我们组就是只搞ai agent的，欢迎喜欢ai agent的来投“

问题是alex wang也不行啊，他去找ilya感觉还行，wang的公司本质是个labelling的公司

Kitsch: 工业界好的manager知道要招聪明的 这个确实 Kitsch: 而不是像小扎一样急了顶薪挖了个Alex Wang 其实我感觉wang还是有能力的，虽然数据标注本身没技术含量，作为一个小孩，在硅谷AI和廉价劳动力之间跑通商业模式，感觉这小孩有前途

我感觉教授和学术界没有需求，没有太多自动化的需求。公司搞agent可以提高效率，比如我们公司有些tickets可以agent来处理。或者弄出更好的agent的app，吸引更多的客户

继续革命: 真想玩这种热门东西建议回国找，美国AI学术界落后国内好几年了 同感，清华那批人做的东西是真漂亮。

我同意，他肯定是很强很聪明的。但不至于一下领导meta的最高层。领导力需要太多的非智力因素

个人感觉，很多人中国人天生就热爱工程，喜欢应用

经常有种说法，清华放在美国最多也就top50水平 不知道其他学科怎么看，至少是这轮AI看来，能孵化出智谱这种企业，清华至少也是斯坦福 MIT级别的。

AI agent本来就是纯粹的业界应用啊… 除非有人想研究LLMs之间的的相互作用网络…

白洲梓的星怒: 为什么学术界不跟进 做Agent的算力要求已经和训练相当了。

学生ai写，老师ai批，直接完成闭环

白洲梓的星怒: 清华放在美国最多也就top50水平 别的我不知道，清华和top50的生源肯定是天壤之别

学术界没有资源跟进，LZ你自己也点明了，玩泥巴的资源做偏工程的方向力不从心

耍猴师phd

白洲梓的星怒: LLM领域只有涉及到训练的才算学术 一大堆做post-train，ai in science，ai ethics的人被你吃了 白洲梓的星怒: LLM再新也得配上强化学习等传统的那套老东西来发论文 然而今年RLVR是突破性的，AI agent有潜力但还需兑现，现在看claude skills可能是下一个风口。 白洲梓的星怒: AI Agent就是个毫无技术含量、纯写prompt的文科生工作。 事实就是这样的啊，AI agent是靠大量的实验堆出来的，不过金融也是纯靠关系的文科生工作但是人家就是赚的多。 白洲梓的星怒: 如果把学术界和工业界对齐，应该是模型训练只能是那些让博士毕业生能去最头部公司的训练岗的CS顶尖学校/强组去搞，剩下进不去的也没必要浪费资源重复造轮子， 这个是这样的，后面学校又没有聪明的头脑，又没有算力资源肯定是搞不出什么东西的，但是不是应该这么转型也有待商榷，因为根本就不需要一个phd学位来做这些事情。 而且ai agent才是最重复造轮子的事情，需要大公司把前后端+平台一条龙搞定，小公司基本做不了啥，全是秘制recipe。有多少团队在做类似功能的ai agent，然后又美其名曰市场竞争？几个人的初创团队需要多少努力才能做出类似MCP这样的东西，就算做出来了又怎么推广？如果只是用人家的marketplace那做的本质就是类似小程序一样的东西，又怎么变现呢？全是问题。 归根结底学术界和工业界对人才的需求是不一样的，学术界需要的是创新，哪怕是一点点微小的结构性可复现的改进，需要大量的积累和长时间的培养，而工业界需要的是利润或者未来可能实现的利润，需要把大量精力投入在营销成果上，讲故事的同时拿来主义，能用管用。你真要搞AI agent就不应该寄希望于学术界能教给你什么，因为学术界本来就不是最前端的。

我认同 AI research 并不需要那么多人去搞底层的模型相关的研究，很多人（包括我）也没那个本事和资源去以这些研究为主要方向。相对的，更靠近 AI 应用的研究则需要得到重视。但是我同时也感觉 AI agent 或者说目前经常看到的 prompt engineering 之类的研究并非是那个最该得到重视的应用相关的研究方向，具体什么才是可能还需要一段时间的沉淀和探索，工作机会的缺失并不只是结果，也是缺乏明确的 AI 应用相关研究方向的原因。只是现在大批的 AI 相关的 PhD 学生几年间突然从人人都可以训练个模型搞点 marginal 创新的时代步入了常常只能把 LLM 当黑箱在外围做点工作、哪怕训练也很难以得到足够快的反馈来跟上前沿研究的时代，所以最早感受到了这种研究方向的缺失。 AI agent 现在很多的发展感觉并不来源于什么通用的技巧，而更多是适应具体使用场景和数据的各种 trick 之类的东西，比如让模型们仿照分工不同的交易员等等，还属于最早期先把技术放到任何可能触及的应用领域先 implement 出来一个产品再一点点边用边改进的阶段。这导致一方面，学术界很难拿到足够贴近应用的数据，不和其他领域的人合作的话也欠缺具体应用领域的知识，所以即便去研究了也赶不上工业界的步伐；另一方面，针对具体应用的研究想要作为 scholarly 产出得到认可，往往要等到这个应用本身足够 established, 如果做关于一个应用的研究还要先说服别人这个实验对象有价值，这个设定能被接受之类的，多半超出了大多数学生的 scope 了。对于少数具有通用性的研究，比如比较多 agent workflow 和单一 agent 的区别，不同的 reflection 技巧，提升 robustness 之类的，实际上也往往是用具体应用场景倒过来抽象出来的课题，实验上还是要放在具体 task 下测试，但是哪怕是最 heavily cited 的那些 work 说实话也经常被 question 实验场景不够真实之类的，不能彻底摆脱对具体应用的依赖。所以学术界搞这些相比于工业界没有优势，而工业界也未必真的需要 PhD 们来做这些事，MS 甚至 undergrad 有了具体应用的经验和知识未必不能比 PhD 做得更好。 目前过剩的、不太能参与 LLM 训练之类更硬核的研究的 AI PhD 研究者如果从和 MS/undergrad 加入工业界从事 AI 研究相比的优势来看，将自己本来的研究方向 + LLM 做延申而不是专攻 AI agent 可能才是更好的选择，哪怕他们暂时还没有直接的工业应用，比如可解释性啊，可靠性啊，之类的。

AI本来就是一锅大乱炖，里面什么人都有——最近去neurips玩有感 但是关于AI agent，我觉得： **AI Agent 现在确实不是一个well-defined 的概念。**很多人说的 agent，其实是把prompt、tool、记忆、规划、工作流全混在一起，然后说它“能自主做事”。但到底什么叫“自主”、边界在哪、失败算不算失败。其实这里面也有很多值得研究的点，具体“到底能做什么事”可能学术界本身不是很关注，更重要的是“什么事情是能做成的”，和“什么事情必须在x条件下才能做成” 所以其实这里面需要许多本来是system的研究的。类比operating system。很显然现在的LLM就是上世纪末的OS。但这很显然是许多“AI”的人不熟悉的方向。 AI agent的工作，总会遇到reviewer的灵魂之问：future-proof。所以其实实验也不好做，特别如果你只是单纯拿一个agent做成什么事情（假设你claim你的contribution在build such an agent?）

Kitsch: AI agent本质上就是纯调prompt靠loop+tool call Response = LLM.query(prompt) While need_break not in Response: Feedback = get_feedback(response) Response = LLM.query(Feedback) Tool call 在 query 里

一个wrapper改一改了名字做agent就突然高大上了

这不只是AI的问题，这是整个学术界都要面对的问题。尖端科技的大部分研发基本不可能出现在高校了，只有高度商业化的大企业才有条件支持。 我本科搞物理，系里大部分都是凝聚态的教授，粒子物理只能搞搞plasma，因为根本没有对撞机这种烧钱的玩意。后来读半导体，听同学出去实习之后回来都说只觉得自己实验室的仪器就像儿童玩具。现在读了CS也是发现，transformer/GPT这种东西，不砸钱创造顶尖的条件汇聚顶尖的talents，根本不可能问世。 现在的高校科研只能螺蛳壳里做道场，搞些不太吃资源的方向，做点有的没的。科研流程本来就该工业化的，结果学校现在还在搞导师制这种老师傅带学徒的落后的模式，学术界是只能越来越边缘化了。

本来学术界和工业界就不该对齐。过去十几年cs phd在工业界的吃香给人造成了幻觉，绝大多数学科根本就不是这样的。想毕业后进公司拿大包？很好，但你应该本科毕业就去公司，而不是读phd. 让cs academia回归理性，对所有人都好。

白洲梓的星怒: AI Agent方向的科研 \emptyset

fredl: 绝大多数学科根本就不是这样的 是这也的 fredl: 对所有人都好 这个不敢苟同，如果读phd不帮忙找industry job，有多少学生有读PhD的courage？PhD毕业找不到academia job也找不到industry job回家喝西北风？最后读PhD意愿学生越来越少，反噬学术界，没人读phd

xxtzw1997: 反噬学术界，没人读phd 您说的是统计系？ 不过Curiosity driven research仍然是基础性原创的重要来源，没聪明人来读PhD就失去前进的燃料了，不试错就很难找到对的路径 Hinton做了一辈子也就是在快退休的时候爆发了应用，如果没有这些应用的话他发的那些Nature Science也可以称作是故事大王

system偏工程的工作一直很多，以后ai agent研究得靠system人转方向过来了

xxtzw1997: 如果读phd不帮忙找industry job，有多少学生有读PhD的courage？PhD毕业找不到academia job也找不到industry job回家喝西北风？ 这不是大部分方向的PhD的情况吗

都落后好几年了呀，公司一直战绩可查，（大学）学术界就搞些造假和假开源骗经费水文章。而且确实是烧钱的研究，只有公司出得起。

是的，刚工作时候一直为没有phd耿耿于怀，工作多年后觉得多数phd和research就是扯淡， 为什么教授工资低？因为就只值那个钱 因为绝大多数research就是灌水，根本在可预见的未来不会有任何贡献 对个人来说读phd更像是使用了杠杆，你投入了5年的时间，如果你赶上了热门领域你就有多倍的收益，如果你没赶上，你可能会爆仓

heyfriday: 为什么教授工资低？因为就只值那个钱 虽然说赚钱很重要，但上一次看到类似言论还是在地里

heyfriday: 因为绝大多数research就是灌水，根本在可预见的未来不会有任何贡献 因为绝大多数research就是灌水，根本在可预见的未来都不会有任何贡献

我们学校一堆组搞这个 但我寻思AI Agent不应该是最灌水的吗 搞这个的应该越少越好 越多ai agent反而应该是更畸形啊

白洲梓的星怒: 最后的恶果就是绝大多数非顶尖CS学校博士毕业，都找不到对口工作 有没有一种可能，博士是为了当教授而不是找工作

槽点太多，lz对培养博士的目的有误解，通篇就是觉得博士和工业界不对口

xxtzw1997: 如果读phd不帮忙找industry job，有多少学生有读PhD的courage？ 这就对了，本来读phd的就应该是极少数，其他学科都是如此。

库斯尼兹: 所以其实这里面需要许多本来是system的研究的。类比operating system。很显然现在的LLM就是上世纪末的OS。但这很显然是许多“AI”的人不熟悉的方向。 你这个让我想到Andrej Karpathy的演讲，他也是这么类比的。 /uploads/short-url/qp1sw80RTKBDvYBsPPy1OtdbNAT.jpeg?dl=1 kernel=core model &weights system call=LLM API/Tool use/Function calling shell=LLM UI/CLI aka. ChatGPT/Llama.cpp Library Routine=Prompt Engine/RAG/Finetuning Frame/LangChain/PEFT/LoRA Applications=Cursor/Github Copilot etc

heyfriday: 为什么教授工资低？因为就只值那个钱 这样说可能是对的，但是为什么硅谷工资高呢，在我看来，大部分大厂员工根本不值那个钱

Rosmontis: 金融也是纯靠关系的文科生工作但是人家就是赚的多。 金融不是物理吗

Agent和tool use到底有啥区别

名字更好听

任何门槛低工资高的工作肯定是有原因的

我倒是觉得学术界全去蹭AI agent这种东西才是畸形了 AI agent这种活本来就是SDE/MLE之类的干的，你要觉得学术界应该大力做这个，为什么之前不让学术界里每天写CRUD javascript呢。

+1 学术界如果和工业界完全align了，那这些教授才是真的没有用了，读博士才是真的没有用了

美国科研界完全被自己玩儿坏了这不是常识吗？美国现在就剩美股了。别的和巅峰美国比都是垃圾。 现在搞AI Research有几个是冲着学术去的，不都是大包driven。某种程度上现在大部分PhD和福利姬差不多，发的paper主要是希望金主注意到自己。

本老一直觉得CS/EE PhD就应该被开除出PhD行业。叫Doctor of Engineering比较合适。

搞学术是几十年来稳定的穷 看你怎么定义“值钱”了，按照市场原理定价，有人愿意出就是值那个钱，有些教授做出了真正有用的成果比码农值钱多了 硅谷的码农，作为一个集体还是给公司赚了很多钱的。

绝大多数research是灌水没问题，research又不是repick，谁知道search出来什么玩意…不造假把问题做了总结了灌水也相当于有人帮大佬验证idea，这也是一种贡献，难道码农平常堆业务逻辑就是推动人类进步 甚至这波码农RSU的涨幅不也是靠人家教授开们一辈子搞自己信但是没人理的东西… 拿工资和价值对等是否有点太粗暴，钱重要不假，但是这辈子只在乎钱吗…个人理想是攒点钱就回去读phd玩，还是搞research有意思 另外痰哥暴论不是一天两天了，AI Agent的科研但凡看看小红书招生广告都不至于说top50没人做 LIME@USC Shuyan Zhou@Duke Huaxiu Yao@UNC Zhou Yu@Columbia 当然如果这是个伸手钓鱼帖那确实厉害了

问题是绝大多数的paper为了paper而paper，假设，方法，结论都开了重度美颜，真的没用。 能够帮大佬验证idea得文章绝对是好文章了，hinton冷板凳20年也绝对为人类做出贡献了。 不算灌水的，就连很多好论文根本就是为了凑论文避重就轻，如果说工业界做一道题做不出来就交白卷，学术圈做不出来就把题目改了然后交满分卷,非常有迷惑性。我以前看到每一篇论文，都觉得这妙啊价值百万，可实际呢屁用没有。 当然对于教授来讲也没办法，大家都要吃饭。我也确实觉得research比码农有趣一些，但没用是真没用啊

Overmindss: AI Agent的科研但凡看看小红书招生广告都不至于说top50没人做 现在2025年学术界还在做几年前的传统ML的多少，做ai agent的又有多少 很能说明问题

有时候也没办法管别人，我觉得满足毕业灌水无可厚非，毕竟要吃饭，前几篇攒够了就该自己做点对得起自己的东西了 论文有些时候写成这样也是peer review作的，你不吹人家就challenge你，这属于是内部生态问题了 heyfriday: 我以前看到每一篇论文，都觉得这妙啊价值百万，可实际呢屁用没有 感觉现在慢慢开源和benchmark多一些这方面比以前好一点了（虽然还就那样 以前私有数据集代码不公开是真的绝望

学术界就是这样，泥沙俱下 但是也真因为如此（随便灌水就可以养活自己），真正有价值的工作才会出现 （特别是对于AI的paper来说），现在AI的顶会的趋势是放松标准，有一点贡献都（应该）中。因为reviewer实际上没有判断什么工作是真正的好工作的能力。什么paper都可以找理由借口拒。

reviewer（x 高中本科暑研（√ Who is Adam?

没错，想做这方向赶快去工业界呀，为啥非要申phd…

讲得很好 不要再讲了… 倒是有一点想说一下，突破技术 造出来的好东西一定是顶尖公司加人才才可以。好东西的推广和应用落地 学术可以搞一部分 工业界也会搞一部分。

heyfriday: 问题是绝大多数的paper为了paper而paper，假设，方法，结论都开了重度美颜，真的没用。 你猜猜_____怎么每年发_______

听说智谱很排外，核心项目和 project 都只让清华系的做

Kitsch: $GOOGL为什么能在AI时代吊打OpenAI 先问是不是再问为什么 Kitsch: 是因为之前花高薪养了一堆聪明人在公司里躺着，有事情人家真的能顶上来搞LLM，而不是像小扎一样急了顶薪挖了个Alex Wang 我不否认谷歌聪明人多，但是是不是比OAI更聪明我觉得也有待商榷，毕竟要论人才谱系人类学也是OAI分裂出去的罢了 在我看来家在大公司里做得最好，主要原因是的核心业务做了三十年的数据。搜索本身等于是一直在处理整个公开互联网的数据自不必提，scholar，book这些服务一直在处理大量的稀缺高质量数据 小道消息Gemini 3的annealing用了一些来自book的高质量数据成效斐然 在所有公司里在数据保有量、质量、处理能力和理解力上是断崖式领先的。在这种前提下没搞过人类学恰恰证明也许做起事来并没有那么“聪明”