Tomer Tunguz 解析 375 个 AI 构建者团队的生产环境调研结果

简而言之：生产级 AI 比预期更成熟、更混合：70% 使用开源，智能体通过数据库而非聊天连接，RLFT 带来 16-30% 的提升，而上下文仍是头号未解难题。

70% 的生产级 AI 团队使用开源模型。72.5% 将智能体连接到数据库，而非聊天界面。这就是 375 位技术构建者实际交付的东西——它看起来和 Twitter 上的 AI 完全不一样。

70% 的团队以某种形式使用开源模型。48% 将自己的策略描述为以开源为主。22% 承诺只用开源。仅 11% 保持纯专有。

实际落地中的智能体是系统操作员，而非聊天界面。我们以为智能体主要会调用 API。但事实是，72.5% 连接到数据库。61% 连接到网络搜索。56% 连接到记忆系统和文件系统。47% 连接到代码解释器。

重心在于数据与执行，而非对话。成熟的团队构建 MCP 来访问自己的内部系统（58%）和外部 API（54%）。

合成数据更多用于评估而非训练。65% 使用合成数据生成评估，而用于微调的仅 24%。这表明在合成训练数据规模化之前，评估数据市场、场景库和失败模式语料库将出现近期激增。

时机揭示了技术栈的走向。团队需要先验证正确性，才能扩大生产规模。

88% 使用自动化方法来改进上下文。然而它仍是部署 AI 产品的头号痛点。工具采用与问题解决之间的这一差距，指向一个根本性挑战。

工具已经存在。但这个问题比更好的检索或更智能的分块所能解决的更难。

团队需要能在扩大生产规模之前验证正确性的系统。工具已经存在。但这个问题比更好的检索所能解决的更难。

上下文仍是真正的挑战，也是下一代 AI 基础设施最大的机遇。

用 1 分钟阅读，将技术数据转化为战略优势。
150k+ 创始人和运营者正在阅读。

Theory Ventures 普通合伙人。前 Google 产品经理。分享关于 AI、web3 和风险投资的数据驱动洞察。