今天留两条消息。它们都不在比谁的模型参数更大，而是在处理同一个麻烦：AI 真开始干活以后，人得看得见它在做什么，也得管得住资源怎么分。

把智能体从聊天记录里拿出来

GitHub 介绍了在智能体工作流中使用 canvas 的做法。聊天适合说清意图，可一旦任务要分步骤执行、调用工具、消耗额度，过程很快就被对话记录淹没。canvas 把计划、执行状态和成本放到同一个可见界面里，方便人在中途修改方向或叫停。

这件事很朴素。让 AI 干一件小活，聊天框够用；让它接一条长流程，光看最终回答不够。你要知道它准备做什么、已经碰过哪些文件、还要花多少成本，以及哪一步该由人验收。否则出了错，只能对着一长串记录倒查，和让实习生关门写半天活差不多。

GPU 也不是越多越好用

Hugging Face 发布的 Dharma AI 案例把注意力放在 GPU 分配上。团队没有增加硬件，而是根据不同任务的约束和时效性调度资源；在文中列出的七个基准场景里，相比 FIFO 调度，同一集群的 GPU 利用率最高提高了 33 个百分点。

数字来自该团队的基准测试，不能直接当成所有公司的结果。但它提醒了一件常被忽略的事：模型能力上去了，服务能不能跑稳还取决于排队、优先级和监控。把最急的请求和最吃资源的任务混在一条队里，再多 GPU 也会被浪费掉。

今天可以带走什么

如果你已经在工作里让 AI 跑多步骤任务，先补两样东西：一张能看到任务状态和人工确认点的清单，一条区分紧急任务与后台任务的规则。

模型负责处理不确定的部分，流程负责把它放在该放的位置。能看见、能暂停、能复核，AI 才算真正进了工作流。