2026 年 9 月 9 日

由于现在时间太紧，无法慢慢做项目了，只能先尽量从网上找到现成的项目，大体理解其中的技术细节后，再融会贯通成自己的东西。如果还有空余时间，再考虑复现，或者自己从头开始搭建。

目前主流的 AGENTS 项目方向

我向 ChatGPT 提供了几十份来自小红书的 AGENTS 简历，让它分析目前主流的 AGENTS 项目内容，大致得到以下分布：

方向 出现情况 典型场景
RAG、知识库、文档检索 约 19 份 企业知识库、校园、科研、医疗、水务
垂直业务 Agent 10 份以上 差旅、客服、金融投研、资产处置、安全漏洞
Coding Agent / Harness 约 7 份 CLI、仓库修改、测试、MCP 配置
Agent 评测 / 轨迹优化 约 8 份 LLM-as-Judge、轨迹评分、回放、可观测性
SFT / DPO / GRPO 等后训练 约 6 份 工具调用、客服、Coding、医疗问答
多模态 Agent 约 3 份 机器人、医学图像、复杂版式文档

面向科研实验的统计分析 Agent

GPT 5.6 sol 推荐我根据 Data Formulator 进行二次开发。我估计，这可能是因为我有本科数学专业和数学建模经历，因此它建议我把方向改成：

面向科研实验和 A/B 测试的统计分析 Agent，自动选择统计方法、检查假设条件，并验证生成结论。

重点可以增加三个模块：

1. Statistical Planner

根据变量类型、样本量和研究问题，选择 t 检验、卡方检验、回归、非参数检验等方法。

2. Assumption Verifier

检查正态性、方差齐性、共线性、样本独立性和数据泄漏。

3. Conclusion Auditor

检查 LLM 写出的结论是否与 p 值、置信区间、效应量一致，防止出现“显著但无实际意义”或“把相关说成因果”等问题。

可以接入的评测集

这种数据分析方向的 AGENTS 虽然市面上做得相对少，但使用的技术栈与目前市面上的主流技术相差不大，仍然有机会把已有方法迁移到更具体的科研场景中。

AGENTS 项目方向调研图

对插件机制的观察

目前官方开放的插件机制主要是数据源 Loader 插件，例如接入内部数据库、SaaS API；它并不是 LangChain / LangGraph 那种可以直接注册新 Agent、Workflow 和 Tool 的插件体系。

找工作好难，找项目好难。