让 AI 修图，难点往往不在“会不会调参数”，而在“知不知道该用哪个工具”。Adobe Research 与 UC San Diego 联合提出的 EditAgent，正是冲着这个问题去的。
发生了什么
据 The Decoder 报道，Adobe Research 和加州大学圣地亚哥分校构建了名为 EditAgent 的 AI 系统，目标是让 AI 编辑图像的方式更接近 Photoshop 专业用户的操作习惯。
它的关键设计不在“把通用编辑器反复重试”，而是先为每个具体任务挑选合适的专用工具，再让一个标准语言模型基于可量化的图像数据来判断哪个结果更好。换言之，系统把“选工具”和“评结果”拆成了两步，而不是指望一个通用模型从头到尾包办。
报道同时指出，这套方法确实有效，但代价是大约十倍的算力消耗。
为什么重要
过去一段时间，AI 图像编辑的主流路径是训练一个能力更全的通用模型，用户给一句指令，模型直接输出结果。问题在于，真实修图工作流是高度工具化的：抠图、调色、局部修补、扩图，各自对应不同的专业操作，通用模型往往“样样会一点、样样不精”。
EditAgent 的思路更接近人类专家的做法——先判断任务类型，再调用对的工具，最后用可衡量的指标验收结果。把语言模型放在“调度与评判”的位置，而不是“亲手画每一笔”，这实际上是把 agent 范式引入创意软件：模型不必取代工具，而是学会使用工具。
对 Adobe 而言，这个方向也有现实意义。它手里握着 Photoshop 这类工具生态，如果 AI 能像专业用户一样调用这些工具，产品形态就不必推倒重来，而是在既有工作流上叠加智能层。
影响与看点
对开发者来说，值得关注的是“工具选择 + 结果评估”这一组合能否泛化到图像之外的领域。用可量化数据让语言模型做裁决，是一种相对可解释的方案，但十倍算力意味着它短期内更适合离线或高价值场景，而非实时交互。
对普通用户而言，这类研究指向的终局不是“一句话生成一张图”，而是“一句话完成一套专业操作”。真正决定体验的，是系统能否稳定选对工具、并在多个候选结果中挑出人类也认可的那个。
需要克制看待的是，目前公开信息仍停留在研究层面，报道未披露具体任务范围、评测基准和落地时间表。十倍算力是明显短板，能否通过更小的调度模型或缓存策略压下来，将决定它离产品有多远。
一个独立判断：AI 修图的竞争焦点，正在从“模型画得好不好”转向“agent 会不会用工具”。谁先把工具调用和结果评判做稳，谁就更可能吃下专业工作流这块难啃的市场。
