每日AI新鲜事·08月04日早间版：LLM奖励专业知识与CodeAct困境

今天周一，AI圈周末攒了不少话题，咱们先快速过几条新闻。

Reddit上LangChain社区有个帖子挺有意思，讨论CodeAct为什么还没赢。就是那个让模型直接输出可执行代码而不是JSON tool call的方案。

对，CodeAct的思路其实很优雅，代码天然支持循环、嵌套调用，比JSON灵活太多了。但现实是大部分生产环境还在用JSON schema那套。

为啥呢？安全性？

安全是一方面，沙箱执行的成本也高。另外现有工具链都围绕JSON建的，迁移成本不小。

好，第二条，还是Reddit，有人分享说re-ranking比换embedding模型对RAG准确率提升大得多。

这个我特别认同。很多人花大量时间选embedding，其实加个reranker效果立竿见影，本质上是让模型做精排。

还有一条，LangChain社区在讨论2026年Agent可观测性和评估的生产技术栈长什么样。

这说明Agent真的在落地了，大家开始关心怎么监控、怎么评估，不再只是demo阶段。

最后一条轻松的，强化学习社区有人展示AI学会打Minecraft Bedwars，能突破床防御了。

Minecraft一直是RL的好试验场，Bedwars需要策略组合，能做到这个水平说明探索能力不错。

好了新闻就先聊到这儿，接下来聊个Hacker News上特别火的话题——LLM奖励专业知识。

Sean Goedecke写了篇文章叫LLMs reward expertise，HN上一百多个互动。核心观点是什么呢？

简单说就是，你越懂一个领域，LLM对你的帮助越大。反直觉吧？很多人以为LLM是帮小白的。

等等，这不是跟大家的直觉相反吗？一般觉得LLM降低门槛，让不懂的人也能干活。

表面上是这样。但你想，专家能写出更精确的prompt，能判断输出对不对，能迭代得更快。小白连输出有没有问题都看不出来。

这么说的话，LLM其实是放大器而不是替代品？

对，就是这个意思。它放大你已有的能力。专家用LLM效率翻倍，小白用LLM可能产出一堆看着像那么回事但其实有问题的东西。

那这对行业意味着什么？是不是说AI不会像大家担心的那样取代专家？

短期内我觉得是这样。专家加LLM的组合，远强于小白加LLM。但长远看模型能力在涨，这个差距可能会缩小。

HN评论区有没有人反对这个观点？

肯定有。有人会说编程领域，很多初学者确实靠LLM做出了以前做不到的东西。这也是事实。

所以可能得分场景。简单任务LLM确实能帮小白，但复杂任务还是专家受益更多？

没错，任务复杂度是关键变量。写个脚本，谁用都行。但设计系统架构、debug诡异问题，你得先懂才能让LLM帮上忙。

这其实对那些想转行进AI的人也是个提醒——光会用工具不够，底层专业能力还是核心竞争力。

说到这个，B站上最近有个FDE前沿部署工程师的教程特别火，两千多互动。

FDE？这个岗位名我还是第一次听说。

本质上就是把大模型部署到生产环境的工程师，涵盖推理优化、模型压缩、服务化这些。

这跟刚才说的观点正好呼应——你得真懂底层才能把模型用好，不管是用LLM辅助开发还是部署LLM本身。

对，而且这个岗位现在确实抢手。会训模型的人多，但能稳定高效部署的人少。

所以结论就是——LLM时代，专业知识不是贬值了，反而更值钱了。

至少目前是这样。工具越强，会用工具的人和不会用的人差距越大。

好，今天就聊到这儿，各位中午见。