来源
- 原始链接：https://www.youtube.com/watch?v=spNAUEgq_A8
- 来源类型：视频逐字稿
- 来源标题：未来属于领域专用 Agent
文本来源是 AI Engineer 频道视频《未来属于领域专用 Agent》的修复版中文稿。下面按汉松兴趣画像优先保留机制解释、反常识判断和可复用工作流，而不是做普通摘要。
开头可以先抓住一句：这是一场来自 AI Engineer 频道的演讲，演讲者 Justin Schroeder 来自 StandardAgents，主题围绕”未来属于领域专用 Agent”——为什么通用 Agent 通过继承式堆叠上下文终将遇到瓶颈，以及由小型专域 Agent 组合编排的架构为什么更高效、更安全、更容易扩展。下方保留完整字幕译文，并按约 5 分钟粒度建立回看章节。
一、第 1 段
背景
本段为按时间切分的阅读章节，用于快速定位原文。
在这次演讲里，我们就先按这个定义往前走。我想你可以为两者各自辩护，但现在真的不重要。如果你脑子里确实冒出了一些例子，可能是 Claude、Codex，或者 OpenClaude、Hermes 之类的。但你知道有趣的是什么吗？如果你走上美国企业界的街头，不是旧金山，而是任何一个城市，走进一栋办公楼，问里面的人能不能说出一个 Agent 的名字……
兴趣匹配度很高。它对应的是 Agent 工程化的核心问题：如何把不稳定的模型行为放进清晰的状态、动作、工具和反馈闭环里。
二、第 3 段
背景
本段为按时间切分的阅读章节，用于快速定位原文。
那有没有替代方案？有，组合就是继承的替代方案。它看起来像这样：想象我们有另一个小 Agent，我们还是想把 Figma 作为主 Agent 能做的事情之一。我们可以这样做：有一个小小的 Agent，它的系统提示词是专门为 Figma Agent 写的。它对 Figma 了如指掌，知道所有上下文、所有 API、所有正确的点击位置、要做的事情、鼠标移动，等等一切。然后它有精确的工具来执行所有这些操作，仅此而已，就这些。
兴趣匹配度很高。它对应的是 Agent 工程化的核心问题：如何把不稳定的模型行为放进清晰的状态、动作、工具和反馈闭环里。
三、第 4 段
背景
本段为按时间切分的阅读章节，用于快速定位原文。
部分原因在于，如果你想想上下文的工作方式，当我做出某个决定时，我不需要拥有整个对话的上下文。相反，我的主协调层只需要问 Gmail：“嘿，帮我拿 Debbie 的最后一封邮件。“这就是上下文的全部内容。它实际上只有系统消息、工具，以及那条传入的消息。因此，它能够执行这个非常有针对性、非常专业化的小任务，而不需要所有周围的上下文。
兴趣匹配度很高。它对应的是 Agent 工程化的核心问题：如何把不稳定的模型行为放进清晰的状态、动作、工具和反馈闭环里。
四、第 5 段
背景
本段为按时间切分的阅读章节，用于快速定位原文。
你可以用钩子来做这件事。或者你可以用钩子触发某些副作用。所以，这是 Agent 的一个重要组成部分。最后，还有这些 Agent 规则。Agent 规则有点复杂。比如，一方应该轮到多少次？它可以进行 10000 轮或 10000 步吗？有各种有趣的小规则。比如，当它调用一个工具时，是否需要验证整个结果？诸如此类，属于特定 Agent 的各种非常具体的规则。把所有这些打包在一起，我们就称之为一个 Agent。但它还缺少几样东西。第一，每个 Agent 都应该有一个文件系统。
兴趣匹配度很高。它对应的是 Agent 工程化的核心问题：如何把不稳定的模型行为放进清晰的状态、动作、工具和反馈闭环里。
五、第 6 段
背景
本段为按时间切分的阅读章节，用于快速定位原文。
你可以用钩子来做这件事。或者你可以用钩子触发某些副作用。所以，这是 Agent 的一个重要组成部分。最后，还有这些 Agent 规则。Agent 规则有点复杂。比如，一方应该轮到多少次？它可以进行 10000 轮或 10000 步吗？有各种有趣的小规则。比如，当它调用一个工具时，是否需要验证整个结果？诸如此类，属于特定 Agent 的各种非常具体的规则。把所有这些打包在一起，我们就称之为一个 Agent。但它还缺少几样东西。第一，每个 Agent 都应该有一个文件系统。
兴趣匹配度很高。它对应的是 Agent 工程化的核心问题：如何把不稳定的模型行为放进清晰的状态、动作、工具和反馈闭环里。
整体判断
这篇最值得保留的不是某个单点技巧，而是它把「未来属于领域专用 Agent」放进了更完整的工程框架里：第 1 段、第 3 段、第 4 段。这些内容可以作为汉松后续写 AI 工程、Agent 系统和团队工作流时的素材。
更重要的是，它提供了一种判断 AI 系统的方式：先看问题如何被拆成状态、动作、工具、评估和人的边界，再看模型能力如何嵌进去。只有这样，视频里的做法才会从一次演示变成可迁移的方法。