演講 Session 2: Coding & Web Agents
無聊的那條路:agentic coding 的紀律做法
Krishnakumar Sharma — CEO, Omokai
無節制地堆 agent、堆 loop、堆 token,只會讓錯誤與帳單一起變多;在 legacy 企業環境裡真正可靠的做法很無聊——先做研究產出 artifact、再產出明確計畫、才交給 AI 交付,搭配人類簽核、跨家族多模型交叉驗證,以及不超過四個定義清楚的 agent。
TL;DR
- 我們正處在「agentic hangover」:他引用 Gartner 的研究指出,用更多 AI 並不等於更高生產力——只是讓 Anthropic 和 OpenAI 更有錢。
- 兩個該破除的迷思:(1) agent swarm——用上百個 agent 解一個問題,結果是成本爆炸加錯誤爆炸;(2) loop engineering / loop within loop——同樣是燒錢。
- 成本不會被便宜的模型救回來:另一份關於 AI 生成程式碼的研究顯示,不受控地使用 AI 會在 production 留下更多、而且更難根除的錯誤。
- 真正的隱性成本是驗證、資安漏洞、除錯,最後是 cognitive debt 與 burnout——AI 用太多,人自己會失去 context。
- 解法是 D3 framework(他 2025 年在 Amazon 開發):Discover(產出含上下游依賴的研究 artifact)→ 計畫(拆成明確 subtask)→ Deliver(AI 執行)。再加上人類簽核、用不同公司(而非同家族)的多個模型、以及最多約四個定義清楚的 agent。
- 一句帶走:stop token maxing, start ROI maxing。
重點整理
為什麼談 legacy 與「無聊」(約 00:48–00:49)
他先框定範圍:這場談的是企業的 legacy 系統。「無聊的做法」是給那些想建可擴展、安全、可靠系統的人聽的。
他的資歷:曾任 Amazon Germany 的 head of AI,建過大規模 AI 系統、為 Amazon 帶來數十億美元的營收影響,也做過 robotics AI;現在創辦 Omokai,做 physical AI 作業系統——把語音轉成機器人與無人機的自主任務。這場不談 Omokai 的產品,而是談他的工程團隊怎麼解決問題,而且他預告「有些說法會相當有爭議」。
一個有意思的自我定位:Omokai 非常 AI-native——自己微調模型、用 AI 生成資料,7 名人類員工、10 名以上「AI 員工」。
診斷:agentic hangover(約 00:50–00:52)
- 生產力悖論:他引用 Gartner 的研究——用更多 AI 並不會帶來更多生產力,只會讓 Anthropic 和 OpenAI 更有錢。若你在沒有適當約束的情況下無節制用 AI,那多半是用錯了。
- 兩個當紅迷思:
- Agent swarm:動用上百個 agent 解一個問題 → 大量成本 + 大量錯誤。
- Loop engineering / loop within loop:他看到有人在做的巢狀迴圈 → 成本遠超過你想付的。
- 「未來 AI 會很便宜所以成本不重要」也站不住腳:另一份針對 AI 程式碼生成的研究顯示,不受控的用法會在 production 資料庫留下更多而且更持久的錯誤。
- 隱性成本鏈:驗證成本 → 資安漏洞 → 除錯 → 最後是 cognitive debt 與 burnout。他強調這是真實存在的:AI 用太多,你自己會失去 context。
- 他放了一張截圖:某人對著網路怒吼,因為受不了某個開源 repo 被 AI slop 淹沒。「我們不想變成那樣。」
解方:D3 framework(約 00:52–00:53)
他在 Amazon 學到的心得是:framework 與 mechanism 才是可靠、可擴展系統的關鍵。他 2025 年在 Amazon 開發了一套給 agentic coding 用的 D3 framework,三個階段:
- Discover:產出一份研究 artifact。這份文件不只涵蓋你的 repository,還要含上游與下游的依賴。
- 計畫:根據研究文件產出一份定義非常明確的計畫,並拆解成 subtask。
- Deliver:AI 拿到上述全部資訊,執行並解決問題。
三個補充原則:
- 不要完全信任 AI:流程中要有人類簽核。
- 模型要跨家族:解題時使用來自不同公司的多個模型,而不是同一家族的變體。
- 不要用太多 agent:大約四個、且每個定義清楚就好。
收尾:如果只帶走一件事——stop token maxing and start ROI maxing。
金句
"Using more AI does not lead to more productivity. It just leads to you making Anthropic and OpenAI richer."(約 00:50)
引用 Gartner 研究後的直白總結。
"If you use AI too much you end up losing a lot of context."(約 00:51)
cognitive debt 的本質:失去 context 的是人,不是模型。
"Stop token maxing and start ROI maxing."(約 00:53)
整場唯一要求聽眾帶走的一句話。
提到的專案與資源 / Projects & Resources
| 名稱 Name | 說明 | Description | 備註 Notes |
|---|---|---|---|
| Omokai | 他創辦的公司,做 physical AI 作業系統,把語音轉為機器人/無人機的自主任務 | His company: a physical AI operating system turning voice into autonomous missions for robots and drones | 7 名人類員工 + 10 名以上「AI 員工」 |
| D3 framework | 他 2025 年於 Amazon 開發的 agentic coding 機制:Discover → 計畫 → Deliver | Agentic-coding mechanism he built at Amazon in 2025: Discover → plan → Deliver | 中間階段的 D 名稱待確認 |
| Gartner 研究 | 用於支持「更多 AI ≠ 更高生產力」 | Cited to support "more AI ≠ more productivity" | 未給出報告名稱 |
| AI code generation 錯誤研究 | 用於支持「不受控使用會留下更多且更持久的錯誤」 | Cited for "uncontrolled use leaves more and more persistent errors" | 未給出出處 |
逐字稿勘誤 / Transcript Corrections
| 字幕原文 Heard as | 應為 Should be |
|---|---|
| Krishna Kumar Shama | Krishnakumar Sharma |
| Omaki / Omukai / Omoai / Omakai | Omokai |
| agent swamps | agent swarms |
| AI slope | AI slop |
| cognitive dep | cognitive debt |
| open air | OpenAI |
| definfined | well-defined |
| brought billions in dollars | brought in billions of dollars |
待確認 / To Verify
- D3 的三個 D 分別是什麼:講者只點名 Discover 與 Deliver,中間階段他一律說 "plan"(可能是 Design 或 Define)。/ What the three D's in "D3" stand for — he only named Discover and Deliver; the middle phase he simply called "plan" (possibly Design or Define).
- Gartner 研究的正式名稱與發布時間未提供。/ No title or date given for the Gartner research cited.
- 「AI 生成程式碼會留下更多持久錯誤」的研究出處未提供。/ No citation given for the AI-code-generation error study.
- D3 framework 是否已對外公開發表(Amazon 內部機制 vs 公開文件)。/ Whether the D3 framework has been published externally or remains an internal Amazon mechanism.