2022 年，我进入大学；同一年，ChatGPT 发布。现在回头看，我们这代人恰好站在生成式 AI 的起点上——我成了最早一批接触到商业化生成式 AI 技术的学生之一。这个巧合，几乎决定了我之后所有的选择。
2023：看行业起势
第二年，国内的 AI 公司如雨后春笋般冒出来：各家相继发布自己的产品，成立对应的 AI 团队。隔着屏幕看潮水起来是一回事，我开始想的却是另一件事——什么时候能自己下场。
2024：开始动手
2024 年，我真正动起了手。最早是用 Coze（扣子）搭工作流，做一个 AI 旅行规划助手。那会儿的 AI 只有简单的对话能力，只能按固定流程查询信息、辅助回答，还没有自主规划任务的能力。后来我又接触到 RAG——一种低成本实现垂类问答的方式。这两样东西给了我最朴素的体感：大模型的能力边界在哪里，是要亲手推一推才知道的。
视频生成的窗口
同一年还有一片蓝海：视频生成。大家都还沉浸在 Sora 带来的效果震撼里，国内的视频生成模型基本只有可灵能勉强商业化，但也只能做几秒钟的动画；开源阵营里有 CogVideoX 和通义万相两个系列。在那会儿，谁能用工程化的手段解决长视频生成的难题，谁就站在一个非常有前景的方向上。我的两个 AI 项目，就是从这个判断里长出来的。
两个项目
第一个是铁路辅助维修，核心技术是 RAG，而且是大型知识库 RAG。铁路领域的维保极其复杂，涉及电网、车体、轨道等方方面面，还有数据安全的要求，所以只能走本地部署与搭建的方案。这个项目让我第一次真正把模型部署起来、把 AI 用起来。
第二个是视频自动生成工具，设计思路比较取巧：既然模型本体无法端到端生成完整的有声视频，那就用工程化的方式把流程拆开——先生成分镜脚本，再生成各分镜镜头，然后按镜头之间的衔接生成首尾帧转场动画，另一条独立的流程用音频生成模型产出背景音乐，最后拼接成完整的视频。
底层 pipeline 由 ComfyUI 这个开源项目支撑。今天它几乎已经是视频生成领域绕不开的技术基底，但在当年，从安装工具、部署模型到开发插件，全部要手动完成。一条 pipeline 里同时跑着语言模型、视频模型、音频模型，还有 CLIP 这样的编码模型，它们之间怎么传递信息，也都得自己设计、自己实现。作为项目负责人，这段经历给了我两样东西：对 AI 技术的深刻理解，和实打实的动手能力。
为什么没有上线
产品最终没有投入使用，原因很现实，就两条。
一是模型本体的能力不足：生成的视频分辨率和帧率太低，我们预期用超分和插帧算法补齐，试下来依然很难达到预期——模型本体的天花板，工程手段够不着。
二是成本扛不住：哪怕部署 CogVideoX 这样的小参数量模型，至少也要一张 4090，而且视频时长和 step 都得压在很低的水平，否则要么爆显存，要么等很长时间。对学生团队来说，算力账单就是天价。
转向 Agent
也正是在那个时候，Agent 的概念开始兴起。早期的 Agent 其实就是工作流，人们靠 CoT、Few-shot 这些方法尽量压低模型的幻觉；直到姚顺雨所在的团队发布了 ReAct 架构，它才成为现代 Agent 架构的底座。
我认真读过 ReAct 的设计思路，然后做了一个决定：放弃视频生成方向。我无法预测模型能力什么时候才能突破，而 Agent 的市场显然更广阔。
第一次求职
说来也巧，我第一次找实习只面了两家公司：第一家是快手的可灵团队，第二家是 Keep 的 Agent 智能教练团队。我个人判断，垂类 Agent 将来一定会进入生活的方方面面，于是选择了 Keep——职业生涯从这里开始。
回望
如今再回头去看，短短两三年，AI 的发展快得超乎预料。幸运的是，我一直是站在潮头的那部分人，几次对未来走向的判断，都抓到了很有潜力的方向。
可惜的是，视频生成的质量受限于模型本体，很难靠后期工程化弥补，天然不适合小团队创业。今天的市场格局佐证了这个判断：视频模型对数据、技术、算力、资金的要求都极高，除了本身就是大型内容平台的大厂，几乎没有人能做出具备商业化能力的视频模型——连 OpenAI、Stability 这些最早入场的公司也栽了跟头。
而 Agent 的发展正如我的预料：框架持续演进，严谨的工程设计能显著降低幻觉，让模型具备长时间工作的能力。下一步，各种垂类 Agent、定制化 Agent 会进入甚至接管生活的方方面面——现在能看到的是企业办公，将来或许是本地生活、出行规划、看病就医、在线教育。
我很庆幸自己生活在这样一个时代，也庆幸自己几次都做出了对的选择。更希望的是，接下来能做出一些不一样的东西。
本文同步自飞书云文档，原文修改后将于下次同步时自动刊印。