上一篇聊了行业和公司会怎样变化。最后这一篇，我想说说个人：已经在具身行业的人、在大模型或 Agent 行业的人，以及还没入行但想做具身的人，各自可以怎么跟上。
一、已经在具身行业：以后更多是和 Agent 对接
过去，数据、训练、Infra、部署和评估通常由不同的人负责。部署的人发现模型总是抓不好桌角的物体，就找数据同学补数据；模型重新训练后，再交回来测试。问题主要靠人与人沟通，一站站传下去。
具身 Agent 来了，对接的中心会变。Agent 能记录机器人做了什么、哪里失败，再把问题带回数据和训练环节。每个岗位都需要想：我的工作怎么交给 Agent 使用？Agent 给我的反馈，又该怎样改变下一轮工作？
做数据的人，要看 Agent 在哪些场景反复失败，再决定补什么数据。做预训练的人，要让模型能理解 Agent 给出的任务。做后训练的人，可以拿 Agent 找到的失败案例改模型，再交回系统复测。做 Infra 的人，要让模型和工具调用得更快、更稳，过程也记录得清楚。
做部署的人也一样。比如模型在真机上总是抓不稳桌角的物体，过去要整理录像和日志，再去找其他团队排查。现在需要把相机画面、机器人状态和抓取结果接给 Agent，让它能发现失败、尝试调整，并把反复出现的问题带回数据和训练环节。
这些岗位仍然需要专业的人。改变的是，大家不再只把成果交给下一个团队，而是让它进入一个能持续做任务、发现问题、再学习的系统。
二、已经在大模型或 Agent 行业：现在是跨过去的机会
据我所知，大模型和 Agent 行业收敛得很快，机会越来越集中在头部。有些做 Agent 的人一直想去具身，但以前两边差得太远：一边主要在电脑里做规划和工具调用，另一边要面对机械臂、相机、控制和真机数据。想转过去，常常觉得原来的经验用不上，得从头学。
具身 Agent 改变了这一点。机器人仍需要具身模型和控制能力，但也开始需要 Agent 来理解任务、调用工具、检查结果。做 Agent 的人终于能把自己已经会的东西带进具身，而不是完全从零开始。这正是现在值得跨过去的原因。
当然，跨过去之后最需要补的还是真机经验。相机里看着能抓，机械臂实际未必够得着；看着夹住了，物体一动又可能滑掉。但不用等到把机器人全部学透才进入这个行业。具身 Agent 刚起步，很多团队也在摸索。我觉得现在对跨领域的人还有一定容忍度：先进入一个有真机、有任务的团队，用上自己的 Agent 经验，再边做边补机器人这部分。
三、还没入行，但想做具身：现在就可以开始
如果你还没入行，现在是个挺好的时间点。第一，起步门槛低了。从具身 Agent 入手，不用先买显卡训练自己的大模型。有一处能操作机械臂的站点，用 Codex 接上社区已有的开源工具，就可以开始尝试。
第二，这条路刚起步。怎么把 Agent 真正用到机器人上，大家都还在摸索。我觉得在这件事上，新人和已有团队仍站在相近的起跑线上；现在动手，有机会做出自己的新东西。
第三，成果很容易展示。做出一个有趣、能跑起来的真机 Demo，就是最好的简历名片。别人能直接看到你让 Agent 和机器人一起完成了什么，比在简历上列一串技术名词更有说服力。
尾言
每一次技术浪潮都有机会，也有挑战。很难提前知道哪条路最后会赢，但去了解、去实践，总不会错。
我最近也在尝试 GPT-6 Astra 的能力边界和不同 Harness 的做法。后面会继续分享实践中发现的资源、开源项目，以及自己的新尝试。
聊聊这篇文章