吴恩达很少说重话。但当他在 LangChain 的 Interrupt 大会上说出 " 炒作超出了我的预期 " 这句话时，台下的人都安静了。

不是因为他在批评 AI 行业。而是因为他说出了后半句：编程 Agent 的发展速度，比我预想的还快。

两句话放在一起，才是吴恩达真正的信号。AI 的炒作确实过头了——但不是因为 AI 不够强，而是因为大多数人讨论的方向是错的。

人们还在争论 AGI 会不会来、工作会不会被替代。但真正正在发生、速度远超预期的变化，在另一个地方：编程 Agent 正在让 " 写代码 " 这件事贬值。AI 写完代码，人审什么？

六个月前，吴恩达几乎只用 Claude Code。现在他同时用 OpenAI Codex、Gemini CLI、OpenCode，甚至在手机上写代码已经变得理所当然。他说：" 在编程 Agent 上，前沿能力变化非常快，竞争非常激烈。"

这才是这场对话的题眼。

吴恩达提出了一个概念：产品管理瓶颈。

逻辑很直接——如果代码实现速度提升 10 倍甚至 100 倍，限制团队效率的就不再是工程实现，而是 " 到底该做什么 "。需求定义、用户反馈、优先级判断、产品边界——这些事不会因为代码写得快而自动变快。

但吴恩达又往深处推了一步。他说，过去一年他意识到，不只是产品管理会成为瓶颈。几乎所有其他环节都会。

当写代码快到一天能做完以前三个月的事，整个软件生产关系链都会被重新拉紧。

营销会成为瓶颈：团队能构建太多功能了，营销人员反而跟不上——要搞清楚每个新功能到底做了什么，再思考怎么对外传播。

设计会成为瓶颈。

法务合规更典型。以前三个月开发一个产品，等一周让法务签字是可接受的。但如果一天就能开发完，再等一周，法务本身就是阻碍。

这意味着，AI Agent 带来的变化不是 " 工程师效率提升 " 这么简单。它是在把瓶颈从工程侧往外推——推向产品、营销、法务、设计，那些传统上 " 不急 " 的环节。

过去这些环节有时间缓冲，因为工程本身就很慢。现在工程突然变成了最快的环节，所有缓冲都消失了。

这是整个协作链条的结构性错配。

吴恩达说，他越来越多地组建一到十人的小团队。成员不是普通工程师，而是通才型、高上下文、高授权的工程师。

很多人听到这句话的第一反应是：AI 替代了人，所以团队变小了。

但这不是吴恩达在说的。

小团队不是因为人被砍掉了。小团队是因为每个人能做的事情变多了。

吴恩达用一个画面解释了这个逻辑：假设一个团队需要软件工程、产品管理、服务条款、营销文案、设计——五种职能，但只有两个人。按照鸽巢原理，两个人里的每一个人都必须承担不止一个角色。

过去这不可能。一个工程师不可能同时写好代码、写清楚产品需求、起草服务条款、写出营销文案。但在 Agent 的加持下，这些事情的门槛都在下降。AI 不会让一个工程师突然变成优秀的营销官或律师，但可以让他先产出一个可用的初稿，再交给专业人员把关。

这意味着未来的竞争力不在 " 专精一个技能 "。未来最稀缺的人，是能用 AI 同时覆盖多种职能的通才。AI 不会消灭岗位，但它会压缩 " 只有一种技能 " 的人的生存空间。

吴恩达说他最常看到的成功模式是 " 工程师出身的通才 "。但也开始看到产品经理学写代码，营销人员学写代码，运营人员构建产品。方向不重要——重要的是谁能把自己变成一个多角色的人。

公司组织架构最大的变量，不是 AI 替代了多少人，而是 " 一个人能覆盖几个角色 " 在重新定义最小可运行团队的人数。

吴恩达用了一个比喻来描述今天的 Agent 开发，这个比喻本身很精准，但他真正指向的问题比比喻更深。

他说，今天的开发者面对的是一大堆构建模块：RAG、Agent 框架、评估工具、护栏、UI 组件、身份认证、数据库、API。开发者越了解这些模块，就越能快速把它们组合起来建成系统。就像乐高——积木种类越多，能搭出的东西越以组合式甚至指数级增长。

到这里，这个故事听起来很乐观：工具多了，开发就快了。

但吴恩达立刻抛出了真正的问题：这些构建模块变化太快了，快到模型根本不知道最新的用法。

很多领先编程 Agent 所基于的模型，知识截止时间都早于某些关键 API 的发布时间。模型不知道这个 API 存在，不知道它的语法，不知道它的最佳实践。这就出现了一个荒诞的局面：乐高积木越来越多，但拼乐高的人（Agent）根本不认识新积木。

Agent 的能力不取决于模型本身的智能，而取决于它能不能获得及时、准确、可执行的上下文。

这就是吴恩达和他的朋友 Rohit Prasad 做 Context Hub 的原因——一个面向 AI Agent 的 Stack Overflow。Agent 可以通过它获取最新文档，了解最新 API 和 SDK，甚至给文档提供反馈来改进文档本身。

这个洞察被大多数人忽略了。现在的讨论焦点永远是 " 哪个模型更强 "，但吴恩达是在说：模型强不强已经不是关键变量了。关键是 Agent 能不能接上最新、最准的信息源。如果信息失效，再强的模型也是盲的。

Agent 竞争的下半场，不在模型层，在上下文层。

吴恩达的团队 AI Aspire 在和大量大型企业打交道，包括财富 50 强、财富 500 强、G2000。他观察到一个非常一致的困境。

绝大多数企业都在做自下而上的 AI 创新，也就是 " 百花齐放 " 策略。每个部门都在做点 AI 实验，但 CEO 和董事会一直在问同一个问题：AI 的 ROI 到底在哪里？

吴恩达的判断很直接：百花齐放只能带来点状提效，换不来真正的转型。

他举了银行的例子。贷款审批流程有五个步骤：营销贷款产品、接收申请、审核并批准贷款、做最终尽职调查、执行贷款。

很多团队注意到，中间 " 审核并批准 " 这个环节可以用 AI 来做。原来一个人花一小时审查贷款申请，现在 AI 来做。这很好，当然应该做。

但问题在于，如果整个贷款流程不变，只是把一小时人工换成了 AI，它就是一个渐进式效率提升。

真正的机会在另一个方向：推出 "10 分钟获批 " 的贷款产品。

要达成这个目标，光替换审批环节不够。营销要重新设计——你得宣传 "10 分钟获批 "。申请要立即路由到审批环节，不能等一天。数据系统、基础设施、最终尽调、执行环节都要跟着变。

这不是一个环节的自动化，而是一个业务产品的重新定义。Agent 如何重做审批？

这个逻辑可以迁移到几乎所有 AI 企业落地场景。

客服不是裁掉一批人替上聊天机器人。客服是用 AI 更快服务更多客户，改善体验，带动增长。

Drive-through 点餐不是用语音 AI 替代点餐员。它是用更流畅的体验让客户更愿意来。

降本有天花板。增长几乎没天花板。吴恩达说最令他兴奋的项目都是跟增长相关的，而不是跟降本相关的。但这个认知在大多数企业里还没有建立起来。

ROI 的讨论里藏着一个更深的教训。吴恩达发现，推动渐进式收益有时比推动转型式收益更难。

如果你告诉某人 " 明年把业务提升 2%"，他会觉得老板让我再努力 2%。但如果你要寻找 20% 或 50% 的增长，你不可能让全公司每个人都多努力 50%。你必须提出更有创造力的方案。这会倒逼真正的创新。

困境在于：渐进式收益更容易被量化，但天花板低；转型式收益空间大，但需要有人拥有更广的视野和权限来推动。这就是为什么自下而上的创新必须和自上而下的动作结合。

吴恩达在对话的后半段，把话题拉到了一个在场大多数人可能不太想听的方向上：数据架构。

他说，过去 10 年、20 年，企业投入了大量精力治理结构化数据——表格、关系型数据、电子表格。这很好，现在也依然重要。但 Agent 真正要发挥作用，必须能处理非结构化数据：文本、PDF、图片、音频、视频。

现实是：大多数企业的非结构化数据是一团乱麻。

数据散落在各处，没有统一的治理模式，有些甚至放在某个人的笔记本电脑上。权限系统是为人类设计的，不是为 Agent 设计的—— Agent 能不能继承我的权限？如何管理治理和可观测性？

金融行业尤其典型：大量 PDF 文件堆在存储桶里，过去 20 年没人看过。这些文档当初只是为了合规保存，以前没人有时间看，看了也没意义。但现在，让 AI 去整理和分析这些内容，就能变成有价值的东西。

吴恩达的判断很重：未来几年，很多企业会出现大规模数据架构改造项目，规模可能达到数千万甚至数亿美元。目标只有一个——让数据变得 AI-ready，或者说 agent-ready。

这个判断被低估了。当下的 Agent 讨论集中在 " 用哪个模型 "" 怎么搭工作流 "" 怎么做评估 "。但吴恩达在说的是：如果数据层没有重构，上面不管搭什么 Agent，都只能是玩具。Agent 要进入生产系统，数据必须先变成 Agent 能消费的形态。

他甚至透露，自己的团队正在做 " 一堆有点疯狂的实验 " 来重新架构内部非结构化数据。如果这些实验有效，他后面会讲更多。

这意味着，数据架构重构不会只是大企业的事。任何想把 Agent 真正用起来的团队，迟早要面对这个问题。越早开始思考非结构化数据的治理、权限和可观测性，未来的代价越低。

一个小插曲也值得记下来：吴恩达说他在原型阶段爱用 MongoDB。

原因很简单——用 NoSQL 可以把任何想放的数据先扔进去，读的时候再处理 schema，而不是写入时就固定 schema。重新设计数据库 schema 是迭代中最烦人的事，NoSQL 能让他迭代快得多。到生产系统，他最终还是会用关系型数据库。

但这个偏好说明了一件事：当一个顶级 AI 研究者选择技术栈时，快速度原型的能力优先于生产就绪。

吴恩达给企业的一条建议，可能是全场最值钱的一句话。

他说：不管 ( LLM ) 供应商给多大折扣，我个人几乎从不签超过一年的合同。

理由非常清醒。AI 模型和 Agent 工具变化太快了。他不知道一年后领先的 AI 模型会是谁，也完全不确定一年后领先的编程 Agent 会是谁。在这种不确定的时刻，选择权本身就是最大的价值。

他注意到，很多供应商会提供 20%、30% 的折扣，条件是签三年。他给的建议不是不签——而是认真想清楚，用折扣锁定的那两三年，你会失去什么。

这本质上不是采购问题。这是战略问题。

如果你让某个供应商的 FDE 嵌入公司，把所有东西深度绑定到一个模型或平台上——一两年之后，你还剩下多少选择权？你的替换成本是多少？你的谈判地位还剩多少？

这也是为什么吴恩达反复使用 LangSmith 这类供应商中立的观测和管理工具。供应商当然好，企业应该和供应商合作。但从中长期看，保留选择权跟选择好供应商同等重要。

更广泛地看，为什么他坚定地支持开源和开放权重模型——不是因为它们比前沿模型强，而是它们是选择权的一部分。如果前沿模型被一家或两家公司垄断，如果开放权重模型被监管打压，所有企业的选择权都会缩水。吴恩达甚至提到，他听到白宫出现 " 在模型发布前进行检查 " 的声音，对此非常担忧。

Agent 时代的企业战略，核心不是 " 选对供应商 "，而是 " 永远保留换供应商的能力 "。

尾声：Agent 不会等你准备好

吴恩达这场对话最值得反复读的地方，是他把几条线串在一起的方式：

这是一条因果链。

吴恩达在告诉企业的是：Agent 不只是让代码写得更快。Agent 正在倒逼你重新思考产品怎么做、团队怎么组织、数据怎么治理、流程怎么设计、供应商怎么选。不是某一个环节变，是所有环节一起变。

而那些还在等 " 技术更成熟 " 的企业——等到那一天，那些已经用 Agent 把整个流程重做了一遍的小团队，早就跑远了。