在 AI Agent 与自动驾驶同时走向产业深水区的今天，真正稀缺的工程师，不只是能把功能做出来的人，而是能把模糊的技术愿景，落成可被用户、团队和行业反复使用的基础设施的人。Hao Sun 的职业轨迹，正是沿着这条路径展开。

过去两年，AI Agent 成为硅谷最受关注的技术方向之一。从能够理解自然语言指令的个人助理，到可以跨网页、移动端和云端执行任务的智能系统，Agentic AI 正试图改变人与软件之间的关系：用户不再只是点击按钮、填写表单，而是把目标交给系统，由 AI 拆解步骤、调用工具并持续推进。

但在这场浪潮中，一个更难的问题逐渐浮现：AI 如果真的要替人完成复杂任务，它必须如何被理解、被控制、被评估，并最终被信任？

Hao Sun 的工作，长期围绕这个问题展开。作为 Agentic AI Systems 与软件基础设施领域的工程师，他曾在 Meta、Okay、Please AI（原 MultiOn AI）以及 Tesla AI 等公司承担关键技术角色。横跨大型平台、开发者工具、消费级 AI Agent 和自动驾驶评估系统，这些经历看似分散，背后却有一条清晰主线：把复杂技术变成真实场景中可用、可扩展、可验证的系统。

从 Meta 理解规模化

Hao Sun 的工程底色，很大程度上形成于 Meta。

在 Meta 任职期间，他负责 Facebook 产品和跨 Meta 平台的前端工程工作，并作为基础、可访问、可复用组件库的主要维护者之一，服务于 Facebook、Instagram、WhatsApp 等不同设计系统下的产品需求。对于普通用户而言，组件库是不可见的；但对于一个拥有数十亿用户的平台而言，它决定了产品体验能否一致，设计规范能否落地，工程团队能否在高复杂度环境中保持效率。

他还发起并实现了内部 UI galleries，帮助数千名工程师和数百名设计师探索组件与设计规范。这样的工具不直接面向公众，却是大型技术组织保持协作效率的重要基础设施。它让设计系统不再停留在文档中，而是变成工程师和设计师每天都能调用、比较和验证的工作界面。

在开源层面，Hao Sun 也主导了 CSS-in-JS 开源库 StyleX 的贡献。StyleX 通过 atomic styles 等方式优化样式组织和体积，服务于现代前端工程中的性能与可维护性问题。对他而言，开源并不是履历上的附加项，而是大型工程经验向外部开发者生态扩散的一种方式：当一个工具被更多工程师理解和使用，它的影响力就超出了单一公司的边界。

这些经历让 Hao Sun 很早就接触到一个核心问题：技术系统不是在演示中被证明的，而是在高并发、多团队、多平台和真实用户反馈中被反复检验的。

在 Please AI，把自然语言变成可执行计划

真正让 Hao Sun 的工作进入 AI Agent 核心战场的，是他在 Please AI 的经历。

Please AI 原名 MultiOn AI，是一家消费级 AI 技术公司，完成了 2,000 万美元A轮融资，投资方包括 General Catalyst、Amazon Alexa Fund、Samsung、Forerunner Ventures、Mastercard 和 Blitzscaling Ventures 等。公司关注的方向，是让 AI 不只是回答问题，而是帮助用户围绕真实生活目标持续推进任务，例如计划旅行、安排日程、研究信息、制定方案或完成多步骤行动。

在 Please AI 担任创始工程师期间，Hao Sun 负责领导面向消费者产品的前端工作，包括 Chrome extension、Web app 和 iOS app。他不仅主导产品界面实现，也承担从 MVP 到用户研究、反馈迭代，再到产品市场契合度探索的工作。这意味着他的角色并不局限于“把设计稿做出来”，而是需要在技术可行性、用户理解成本和 Agent 执行能力之间不断寻找平衡。

AI Agent 的难点，往往不在于让模型生成一段看似合理的文本，而在于把用户模糊的自然语言目标转化为结构化、可验证、可执行的多步骤计划。比如，用户说“帮我规划一次搬家”或“帮我准备一个周末旅行”，系统需要理解目标、拆解约束、安排步骤、提供建议，并在过程中让用户知道 AI 正在做什么、为什么这样做、下一步是什么。

Hao Sun 的原创贡献正体现在这一“翻译层”上：他负责架构和实现了将高层次自主 AI 愿景转化为可规模化、生产级系统的前端软件和核心体验。Please 创始人提到，Hao 从早期开始架构并实现了 web app、Chrome extension、后端基础设施和内部工具，并设计了基础用户界面与用户体验流程，使非技术用户能够通过自然语言低门槛地委托多步骤任务。这一“用户与 AI agent 的交互模型”，后来成为 Please 产品体验的核心。

MultiOn / Please 的产品和技术方向也获得了 Forbes、The Information、PhocusWire、Business Insider 等媒体关注。其中 Forbes 曾以“MultiOn Innovates With Virtual Agents”为题报道该公司在虚拟 Agent 方向上的探索，并提到 MultiOn 的 AI agent 曾在演示中完成协商和订购 Tesla Cybertruck 的任务。这一案例之所以受到关注，正是因为它把“AI 可以替人完成复杂数字任务”的概念，转化成了公众能够理解的具体场景。

在 Hao Sun 的技术领导下，Please AI 的系统在上线后短时间内获得超过 3,000 名客户。从这个意义上说，他的价值并不只是完成某个产品功能，而是主导建立了一个让 Agentic AI 从概念走向用户日常的技术通道。

进入 Tesla，把自动驾驶评估做成可信工具

如果说 Please AI 代表的是 Agentic AI 在消费场景中的落地，那么 Tesla AI 则让 Hao Sun 的能力进入了更高风险、更高标准的系统环境。

2025 年 9 月起，Hao Sun 加入 Tesla AI，担任 Sr Autopilot Software Engineer，负责推进 Tesla Full Self-Driving（FSD）的评估与 sign-off 工作。他是模型评估工具的前端负责人，并发起和构建了多个面向建模、标注和评估团队的工具解决方案，用于支持闭环评估。他主导的评估系统用于帮助机器学习工程师从 Level 4 自动驾驶的角度评估模型，是 Tesla 自动驾驶安全性与准备度框架中的关键工具，支持了 L4 Robotaxi 从 0 扩展至美国 多个城市的内部评估和规模化进程。

自动驾驶模型的评估，不只是看一个模型是否在测试集中表现良好。它需要把真实道路、仿真环境、用户接管、车辆平顺性、安全性、异常行为等大量复杂信号整合起来，让工程团队能够定位失败模式、比较不同模型配置，并决定一个系统是否足够成熟，可以进入下一阶段。

Hao Sun主导架构的Labeling, Evaluation, and Comparison Tool正是围绕这个问题展开。他负责设计和实现相关界面，整合后端数据管线，并通过模块化设计系统、动态指标可视化、实时数据流和交互式仪表盘，提高评估团队分析失败案例和诊断问题的效率。该工具被用于比较自动驾驶模型和配置，分析包括安全性、舒适性、车辆运动异常、操作员或客户接管、舒适度指标等多维数据，把模型迭代中最关键的“为什么失败、哪里失败、如何比较”变成工程团队可以反复使用的训练工具。

这类工作对自动驾驶系统的安全演进至关重要。对于 FSD 和 Robotaxi 而言，真正困难的不是展示一次成功驾驶，而是建立一套可重复、可比较、可追溯的评估机制，让模型迭代能够被工程组织系统性地验证。

目前，他主导的评估系统已成为 Tesla AI部门评估自动驾驶能力的主要基准之一，并在内部决策以及与监管机构、公众沟通的材料中发挥作用，目前已经支持140亿英里以上的自动驾驶里程。其方法也正在延伸到 Tesla Optimus 人形机器人的闭环评估场景，用于思考机器人导航、任务执行、环境交互和避障等能力如何被系统性衡量。这意味着 Hao Sun 所领导构建的，不只是一个单点工具，而是一种可复用的工程框架。

从 AI Agent 到 Robotaxi，再到机器人，底层问题其实相似：当系统拥有越来越高的自主性，人类该如何理解它、评估它、纠正它并信任它？Hao Sun 的工作，正是在为这个问题提供工程化答案。

技术影响力也来自判断力

在硅谷，优秀工程师常常以产品和代码被衡量；但在一个新兴技术领域中，影响力还体现在判断力是否被同行信任。

Hao Sun 曾被邀请担任多个技术竞赛和黑客松评审，包括 DevDay x MultiOn API Hackathon、AI Agents 2.0 Hackathon by MultiOn & AgentOps、Stanford TreeHacks 2025 以及 CruzHacks 2025。这些活动聚焦 AI agent、开发者平台、基础设施和现实应用，评审工作要求参与者以顶级Venture Capital的视角进行评估，不仅能看懂实现细节，也能判断一个方案是否具备可扩展性、创新性和商业价值。其中 Stanford TreeHacks 2025 吸引了来自 30 所大学、12 个国家的 1,000 多名工程学生参与，参赛者从超过 12,000 份申请中选出；这类评审经历，也从侧面说明了他在 AI 与软件基础设施领域的专业判断力正在被外部社区采用。

Hao Sun 的职业路径中，还有一个值得注意的特征：他一直站在“复杂技术”和“普通使用者”之间。

在 Meta，他把设计系统和组件能力变成数千名工程师可以复用的基础工具；在 Please AI，他把 Agentic AI 的推理与规划能力变成首批非技术用户信赖的AI产品；在 Tesla，他把自动驾驶模型评估中的复杂数据变成研究与工程团队可以判断和行动的界面。每一次，他都不是简单地站在技术后端，也不是只停留在用户界面，而是在两者之间搭建桥梁。

这种能力在 AI 时代尤其重要。随着模型越来越强，真正制约产业落地的瓶颈，往往不再是“AI 能不能生成答案”，而是“系统能不能被可靠地使用、评估和迭代”。Hao Sun 所做的，正是让前沿 AI 从演示走向基础设施，从单次交互走向持续工作流，从技术概念走向可被组织和用户信任的系统。

Hao的技术影响力也开始以更公开的方式向行业扩散。作为 Forbes Tech Council 的成员，他在该平台发表技术文章，分享自己在 AI agent 系统设计中的原创方法论：如何把用户目标拆解为可执行工作流，如何让 agentic 系统在真实业务环境中保持可控、可追踪和可复用。对他而言，写作并不是单纯的观点表达，而是把一线工程实践沉淀为可被行业讨论和借鉴的框架。

与此同时，他也主导了一个面向工业场景的开源项目，利用 agentic 工作流帮助工厂流程自动化和效率提升。在制造业环境中，许多流程并不是单一步骤，而是由排期、物料、设备状态、人工检查、异常处理和数据回传共同构成。Hao Sun 所推动的开源实践，正是希望把 AI agent 从消费级任务执行，进一步延展到更复杂的工业流程中，让自动化不只停留在“替人点击”，而是能够真正理解流程、协调步骤，并帮助组织降低重复劳动和响应延迟。

在 Agentic AI、自动驾驶和机器人不断交汇的技术浪潮中，Hao Sun 的故事提供了一个清晰注脚：真正推动行业前进的，往往不是让技术看起来更神奇，而是让它变得更清楚、更可控、更值得信任。