CMU 11-768 AI Agents 课程发布客座讲座：AI Agents for Human Work

完整中文导读

CMU 11-768 AI Agents 课程发布 Zhiruo Wang 主讲的客座讲座「AI Agents for Human Work」，聚焦未来工作与评测构建，讲义已公开。

中文整理

作者 / 来源：meng shao (@shao__meng) · 原文时间：2026年10月28日 21:11（北京时间）

原作者信息要点

CMU 11-768 AI Agents 课程发布客座讲座，由 @ZhiruoW 主讲「AI Agents for Human Work」，侧重未来工作与评测构建，讲义链接为 cmu-agents.com/slides/2026-10-27-zora-wang.pdf。

作者称榜单高分与电脑操作演示流畅（如 GPT-6 Astra），但 Remote Labor Index 等显示真实远程工作仍难。其自研研究 How Well Does AI Agents Reflect Real-World Work?（2026）称主流 Agent 评测过度集中于 Computer and Mathematical，约只对应 5% 就业。

作者引 Humans Are Missing from AI Coding Agent Research 与 CollabSkill，称自动榜与人机协作榜排名可对调，例如 Claude Code、Gemini CLI、Codex 在两榜位次不同。另引 MIT NANDA State of AI in Business 2025 说明难嵌入人类工作流。

任务来源举例：GDPval 雇平均约 14 年经验业内人，覆盖贡献美 GDP 前九大板块的 44 岗、220 任务；Remote Labor Index 雇 358 名自由职业者、240 项目，覆盖 Upwork 23/64 类目；JobBench 对齐人想做与不想做的任务；OpenCUA 自动采集约 2.25 万条 Win/Mac/Ubuntu 轨迹；训练侧可用 Agent 自探索合成（Bagel、NNetNav）。作者引 Bean 等提出建构效度批评。

环境构建路径：手工部署开源替身（TheAgentCompany）、自动部署加 GDP 导向选型（Gym-Anything）、灌真实或合成数据、文件与终端中心（Terminal-Bench）；瓶颈为可用软件源有限、真实数据难获取。

评测方面，作者称人类工作是光谱，多数处于开环端，执行判分盖不住语义质量，故用专家量规加 LLM-as-a-Judge（GDPval）、LM 生成量规（CollabSkill）、演化量规（DR Tulu）等；挑战包括裁判自偏好与偏见、视觉判断差、评测贵且漂移（SWE-bench Verified 争议）、静态榜污染与饱和（LiveCodeBench 路线）。

能力之外还涉及人机交互模式（Future of Work with AI Agents）、执行中接管纠偏（CowPilot）、多 Agent 冗余低效、安全需实证挖掘（OpenAgentSafety）、以及是否自动化掉工作乐趣（Are We Automating the Joy Out of Work?）。

未来工作部分：约 80% 美国劳动力至少 10% 任务可能受影响，写作与编程最吃紧；人对约 46% 职业任务表达过自动化意愿；引 Acemoglu & Restrepo 称技术既挤出也创造新任务；引 Brynjolfsson 等 Canaries in the Coal Mine 称早期职业在高 AI 暴露岗位可能更吃亏。

原帖另附 @shao__meng 推荐：CMU 秋季课程 11-768，主讲 @dan_fried、@gneubig，课程与视频链接见原文。

本站整理与观察

本站观察：该讲座的核心主张是把「榜上好看」与「真顶人类工作」分开，评测效度与工作流嵌入被置于能力指标之前。

本站观察：文中多项数字（5% 就业、44 岗 220 任务、358 名自由职业者、2.25 万轨迹、80% 劳动力、46% 任务）均为原作者转述其引用研究，本站未独立核验。

本站观察：GPT-6 Astra、2026 年研究等名称与时间点均按原文保留，其真实性以原始来源为准。

材料为单条社交媒体帖子，未提供讲义全文或所引论文原文；文中研究结论、数字与产品名均属原作者转述，本站未独立验证。部分表述（如「约 5% 就业」「排名可对调」）缺少具体方法与样本细节，无法判断适用范围。

上下文来源：1