AI 产品、Agent 与服务的 Gap：详细笔记

AI 产品、Agent 与服务的 Gap：详细笔记

模型能力与业务之间始终存在 gap，填补它的关键不是把产品直接交付出去，而是“服务裹着能力”，用 FDE、最佳实践、上下文维护和用户教育把 Agent 能力落到具体业务与个人工作流中。

说明：原文是口语对话记录，部分人名、产品名、模型名存在语音转写或拼写不稳定；以下保留原文关键专有名词，并在不确定处标注“原文如此”。不把未确认的推测写成事实。

核心要点总览

• 模型能力和业务中间有一个 gap，这个 gap 的填充是现在所说的 FT1（原文如此，后文多称 FDE）。
• 更精炼的判断是：服务裹着能力，而不是能力裹着服务。
• 很多产品公司要重新思考：不是把产品交付出去就完了，中间还有一个 gap 需要做。
• 不可能人人在用 Agent 时达到同样水平。现实做法是尽量让 5% 最会用的人跑在前面，其他人使用他们优化后的结果。
• SaaS 本身不是软件，SaaS 是服务；AI 也一样，AI 是用 token 提供哪些服务，而不是软件。“软件已经死了”。
• 产品给公司、买账号、买 token，并不会自动带来好结果；同样一款产品，不同人使用差异非常大。
• FDE 不是外包脏活累活，也不是带团队开发完就走；真正 FDE 是填平“Agent 产品 + 业务”的落差，让组织在使用 Agent 产品时更理解自己的业务。
• 三条填充路径：5% 超级用户先跑出优化结果；培训提升认知；FDE 带服务直接进入业务，现场摸出一条最佳实践之路。
• 技术发展速度快，组织变化速度慢，制度、利润分配、商业结构更慢；服务在填平这个速度差。
• 上下文不是越多越好，而是像一辆要维护的车，不是增值的房；要定期清洗、做索引、做顶层设计、按项目隔离，防止被拉回过去的平均值。
• 模型价格出现分化：SOTA 模型价格持平或上涨，主流模型价格指数下降；平替越来越多，但最强模型仍可能贵 50 倍到 100 倍。
• 如果 harness 和模型解耦，模型厂商会陷入红皇后效应；模型厂会倾向 harness 和模型联合训练，用配套体验和缓存价格优势拴住用户。
• AI 内容消费渗透比 Agent 效率工具快得多，AI 短剧渗透已超过 8 亿；内容生产和消费是更大的产业变化。
• 医疗、健康、药物研发等场景体现了“上下文阅读能力 + 专业推理能力”的潜力，但上下文获取在国内仍不够受重视。
• Agent+X 与 X+agent 是两条路线；原文作者个人初步认为 Agent+X 后劲更足，但 X+agent 仍有旧基本盘公司的必然选择。

一、模型能力与业务之间的 Gap

1.1 核心判断：服务裹着能力

原文反复强调：模型能力和你的业务中间有一个 gap。这个 gap 的填充，是现在所说的 FT1（原文如此，后文多称 FDE）。再提炼就是：

我认为是服务裹着能力，而不是能力裹着服务。

这意味着产品公司的思路要变化：不是做一个培训团队天天培训客户，而是要有意识——不是把产品直接交付出去就完了，中间还有一个 gap 需要去做。

为什么重要：因为不可能人人在用 Agent 时达到同样水平。你只能尽量让那 5% 用得最好的人先跑起来，其他人再去使用他们优化后的结果。

1.2 同一产品，不同人使用差异巨大

• 产品给到一个公司，大家买了账号、买了 token，并不会真的带来很好的结果。
• 它跟你买一个飞书、买一个企业微信不一样：不是软件买回来，大家聊天直接就用了。
• 这个东西的使用因人而异，同样一款产品，不同人用的时候，差异区分度非常大。
• 这里边就有一个落差，这个落差就是服务去填进去的。
• 模型能力和你的业务中间有一个 gap，那个 gap 的填充是现在所说的 FDE。
• 因为同样的 Agent 能力放在不同人手中，会产生很大差异。
• 你不可能现在再从孩子的教育开始，来不及；现有企业里的员工、现有组织才是要讨论的对象。

二、SaaS、AI 与服务：软件已经死了

2.1 SaaS 不是软件，是服务

原文中有人说：SaaS 必死，软件必死。随后修正认知：

• SaaS 这个本身并不是一个软件，SaaS 是一个服务。
• SaaS 核心本身就是对软件的一次革命：软件不再重要，卖的是服务。
• AI 也一样：AI 是你用 token 提供哪些服务，而不是软件。
• “软件已经死了”。

2.2 手机 App 与 App Store 生态

• 未来手机上的 App 是越来越多还是越来越少？原文判断：App 会越来越少。
• 没有必要那么多 App，整个 App Store 生态已经不繁荣了，没落了。
• 大家以为 Web coding 的人在变少，但实际上越来越多；问题是很多人发的东西别人没办法用，只能给自己用。
• 也缺少一个好的地方去发这些东西：发到抖音可能被限流、封号。
• 现在所有这些东西都依赖旧互联网 1.0 时代的基建；2.0 时代基建高度封闭，不让你发布内容和产品。
• 发内容可以，发产品不行。各个软件的核心驱动力是：你最好别在我这发产品，不要抢我的用户。
• 这造成很多人做的东西没有办法发出来。
• 从互联网 1.0 过来的人有很多方法可以发东西，但新人根本不知道这些东西怎么发。
• AI 给了他一个网页，他甚至把网页地址发给别人：127.0.0.1，这是笑话，但说明基建没跟上。
• 小红书的小工具和 red skill 被认为是一个比较好的东西：它避免这个问题，维持封闭状态，但给了渠道口子。

三、FDE 的真实含义与三条路径

3.1 FDE 容易被混淆

原文提到：国内很多时候把 SaaS、FDE 换汤不换药，纯粹是外包的脏活累活。真正能懂服务又懂模型、能够做最后一公里落地的国内 FDE 有那么多吗？讨论认为：

• 大家容易把很多东西都装在一个概念里，沾点就往里靠，很容易弄混淆。
• Agent 是模型加 harness，形成 Agent 产品，有这种能力之后，进入具体公司业务，由人使用它去跑业务。
• 这个过程中有一个落差：不同人使用效果差异很大。
• 所谓 FDE，是去帮你把这个落差抬起来，让 Agent 产品和你这个业务结合的时候能取得好结果。
• 现在很多所谓加引号的 FDE，其实是：公司有什么需求，需要用 AI 开发功能，你不会开发，我带团队过来开发，开完就走。
• 这个东西对公司没有落差填平的事情：团队走了之后，他用起来还是有差异，不同人用起来还是不同。
• 所以 FDE 应该是形成落差的填平，让组织在使用 Agent 产品时，对自己的业务有更深理解，对 Agent 进来之后如何运作有更好体验。

3.2 三条路径

顺着“模型能力与业务 gap”提炼，有三条路：

原文说：大概是三条路都是走的。一个重要问题是：Agent 产品加上你的业务，中间那个落差如何填上去。

3.3 案例：灵异万物/01万物与马杰

原文提到：下周要访谈灵异万物的马杰。01万物不做通用大模型之后，转向 to B 的垂类服务。原文认为他应该就是“2+3”：

• 他对标的 PUNTEER/PENANTIER（原文如此，疑似 Palantir，但原文未确认）就是“23”。
• 他先去给公司做内部培训，培训过程直接带着 PUNTEER 的东西在用。
• 培训完之后的转化率大概在 75%。
• 培训完之后再入驻 FDE。
• FDE 在他们公司里面很多都是有股权的。
• FDE 最终的指标不背销售指标，最终指标就是把自己给抽离掉。
• 衡量 FDE 成不成功的唯一指标：不是陪伴用户越久越好，而是你在了之后，再抽离掉客户，客户还是能带着你的脑子去运转。
• 他们好像是这两层，现在觉得这是一个还不错的实践方式。
• 每年的毛利非常高，而且很多都是复购。

四、速度不匹配：技术快、组织慢、制度更慢

4.1 齿轮速度差

• 技术发展特别快，两三个月要光一个新东西。
• 组织变化速度肯定没有这么快，不可能技术一出来组织马上调。
• 组织中的制度、利润分配、商业结构更落后、更慢。
• 层层像齿轮一样，小齿轮、大齿轮速度不匹配。
• 这个不匹配过程中，需要有一个速度差，然后看各个组织如何调整。
• 所谓 FDE，就是在一些转速比较慢的企业里，拿着快的东西进去，如何把速度提上来，配合最新技术发展。

4.2 传统行业更容易出效果

原文提到：之前做 to B 的企业，很多时候以为提效最快的是内容行业、生成行业，比如内容、影视。但不管是灵异万物还是 PENANTIER，全部都挑传统行业。

• 灵异万物跟养鸡行业在合作。
• 传统行业出效果快。
• 如果你去内容生产行业，进去以后发现你用得还没他们好，因为他们落地非常快，链条非常短，反馈也非常快，飞轮转起来非常容易。
• 传统行业见效更容易出效果，越传统越容易出效果，越容易产出效果，越容易让甲方为你的价值付费。

五、产品公司的重新思考：国内 vs 海外、用户教育、成本与漏斗

5.1 国内大厂的认知问题

• 国内大厂在做类似事情时有一些认知问题。
• 他们老觉得这个事情应该靠运营或教育用户，砸钱推广就可以。
• 海外那些做软件的人，也在同时输出软件的使用方法、实践、服务；他在做的时候，同时在教你用。
• 国内的问题比较严重：他们自己也不知道怎么用。
• 在推广和宣传上，生意是割裂的：还是在宣传，比大小，我的功能比你的多，我上了一个新功能。
• 但他们自己也可能不知道这功能对各行业用户具体有什么作用。
• 对于他们自己工作的人来说，产品肯定自己最了解，但发声是不够的。
• 应该转变思路：不能指望拿钱推广的人会帮你把生态、服务、内容做起来；首先你自己要把这个东西做起来，才能给这些人素材，他们才能转变，或者把整个生态带起来。
• 一个业务专家，一个是懂 Agent 产品的，双方得相遇。

5.2 成本高与漏斗模型

• 成本还是高。
• Workbody / Workboard（原文如此）通过一些任务，腾讯最擅长的一套逻辑和方法，让你能够快速以低成本方式，通过出卖自己一些小小的时间，换取一些尝试资格。
• 它的供应非常充足，在免费层面。
• 这带来一定让用户成长的空间：从小白用户、完全不懂的用户，到一个好像懂点什么的用户，不需要花很多钱。
• 用户量大了以后，总会涌现出那么几个超级用户，然后生态就会变好。
• 听起来像漏斗模型：先让大家安上 Agent，先使用上。
• 但真正使用上还没有带来生产力的结果交付，流程优化还没到那一步。
• 再往深水区走的时候，服务还是得进去。

5.3 抢外卖券：用场景教育用户

• 有一个很有效的策略：抢外卖券。在下沉市场里，抢外卖券是一个非常大的需求。
• 每天自动帮你抢外卖券，每天可以用起来，有点像之前“千万点奶茶”的感觉。
• 千万点奶茶是因为接入了支付能力。
• 通过这样的方式教育用户：你怎么用这个 Agent。
• 得找一个场景，然后让大家去复制这个场景。
• 这个场景一旦落地，使用起来就相当于一个咒语或者密码：就这么简单一句话，所有人都会说这一句话，然后就能拿到这个结果。
• 它就是一种最佳实践的封装。
• 但在企业里边具体落地时，比如做自媒体的群体、做出海营销的公司业务，不同业务场景中细节特别多。
• 最佳实践需要去抽取、提炼；指望大家自己摸索、自己去趟路，其实不一定那么高效。
• 因为你要讲一个“AI 在我们企业里做了什么事情”，讲完之后别人也听不懂，很难推广。
• 所以策略是：多用大家能够一眼 get 到的东西，比如外卖券、整理桌面。
• KIMIK3 出来之后，大家都去搞前端案例；但 KIMI 其实不太希望大家关注前端，KIMI 希望大家关注后端。
• 但后端不可能去演示 KV 二，不可能做先发的东西，所以大家只能做前端测试，因为肉眼可见。
• 这是传播。SPRJS 越做越多，OBS45、OBS585十（原文如此）全是 3D，看腻了，因为没什么用。
• 平时谁会干？那些东西也不代表能力。这不是任何一个人都能做出来，它需要成本和人的很多东西。

六、Skill、Agent 与分发：从提示词到插件

6.1 Skill 赚钱难

• 有人问：门外汉小白现在做 skill 有赚钱的吗？原文说橘子离钱最近，但他赚得不多。
• to C 没办法向 to C 用户收费，这是一个悖论。
• 因为本身用 skill 就消耗 token，你还 skill 收费，就不能让他试用；试用也要消耗 token。
• 所以必须让它以非常低的成本和非常多的渠道被用到，才能让作为 skill 的产品更快扩散。
• Skill 的架构决定它没法付费，因为它不保密，下载就是开源的。
• 所以 skill 后边的形态一定会有新东西：以前是提示词，后来是 skill，再往后应该还有一个新形态，可能是 plugin。
• 现在的方式是：跟 Agent 合作。Agent 需要让用户快速感知到 Agent 的能力和价格价值。
• 如果只做一个派给用户，用户很迷茫；如果直接推一些最优质、最顶尖的 skill，用户拿这个词做出结果，会把这个能力和结果归到 Agent 本身这个产品上。
• 那么 skill 和优质 plugin 带来的价值，就是在为他服务、为任何产品服务。
• 普通用户不会想到“你这个 skill 牛逼”，而会觉得“你这个产品厉害”。
• 既然用了这个东西给用户产生更好的想法，让用户觉得产品厉害，那就应该在这方面下功夫，笼络优质和顶尖创作者。
• 核心是怎么把优质 skill、plugin 筛出来，让用户快速感知，并内化到产品里，让用户感觉是产品厉害，而不是这些东西厉害。
• 这也是非常复杂的事情。

6.2 Skill 的使用门槛

• 学会用一个 skill 还是很难。
• 昨天用了一个 skill，它很难用：很厉害，但我要把一篇文章给它，它帮我做一些东西，然后给我的下一步让我做的事情，一步比一步难，最后我放弃了。
• 一个 skill 本质上就是一套软件，只是没有界面。
• 每个人也不需要那么多 skill，重点还是要想清楚自己需要什么东西。
• 比如 PPT 这个场景：就是需要 PPT，那比较简单。
• 但真实世界的需求非常复杂。
• Skill 能解决的问题，在原文看来更多是一个模板：看一下这东西能干嘛。
• 最终要用到实际工作中，得自己定制一个 skill。
• 你为什么不用别人的 skill？因为真的要进入自己的工作流里面，不可能完全用别人的 skill。
• 这被称为“个人的 FDE 化”。
• 跟 Agent 的合作方式：一次性买断、授权加赞助。本身是开源，可以赞助开源，也可以授权，两者同时进行，相对双赢。

6.3 盖章八次：制度阻力案例

• 即便有这样的合作方式，盖章盖八次，说明阻力还是很大。
• 一天时间耗进去，本来一个涉嫌 license 可以 skin 的事情，变成了一个无法 skin 的事情。
• 这是一个新东西，在一些 to B 大公司里，没有对应的流程和章程。
• 需要跟他们频繁沟通交流，或者用别的方式。
• 各个厂家都不一样，很麻烦。
• 去年 8 月，某个大厂要采购 list hub，开始搬入库，大概上个月终于入完库。
• 入完之后，他们那个项目可能都不存在了，也没有走后续流程。
• 之前用了两个月入完库，结果旧主体出了问题：个体户主体不能承载更多的税或乱七八糟的东西，得换主体，重新来。
• 跟大厂合作就是这样。
• 台湾企业要采购也要先入库；很多都有类似软件，因为原来旧 SaaS 整个企业都依赖。
• 旧 SaaS 可以免费试用，因为 SaaS 没有成本；但 AI 软件一般没有那么多免费试用。
• 他要想用你的软件就得先签个合同，然后开始试用，流程也很长。

6.4 OPC 与代理服务公司

• 会不会出现针对 OPC 的服务公司？原文认为很有价值。
• 后端处理需要人，但跟用户沟通可以用 Agent 去沟通。
• 飞书 CLI、企业微信 CLI 现在都出来了，对外提供 Agent 的方式，直接调用能力去发消息。
• 企业的 SOP、入库流程、各种流程，是不是也能提供一个标准的 client 出来，跟 Agent 直接协作，降低跟人沟通的成本。
• 核心原因是旧有流程跟部门有关系，不止跟企业、跟人也有关系，甚至还有外包、外包的外包。
• 还有不同内部组织的问题：不是一个简单的“跟这个部门可以、跟那个部门不行”。
• 这就是制度和技术之间的齿轮速度差：制度非常慢和稳定，技术特别快变化，服务就在填平这个速度差。

6.5 AI 为什么在 Coding 快

• AI 为什么在 coding 快？一个是因为强化学习，另外 coding 这个事情不依赖这些。
• coding 就是你做完产品就好了；产品之外的分发、付费、政府关系、安全，全都不需要。
• AI 才快。
• Stripe 牛逼，但牛逼跟我没关系。它的财务和销售后链路，在收款、财务、对接方面做到了自动化极致。
• 银支付就是 STP，银行就是 Airwallex。
• 用过 Airwallex 的人就不会再想用别的银行服务，差太多了。
• 但到办公领域之后，就开始有些结合，阻力明显变大。

七、GitHub、Git 与 AI 协作新范式

7.1 AI 提交代码需要新托管范式

• GitHub 是标准互联网时代人与人协作的基石，累出来一套机制。
• 但现在 AI 写代码虎虎的 3 万行、5 万行、10 万行代码提交，每次改动三五十个文件。
• 人审阅不可能审阅得过来；多少人能看懂代码？等你理解完，下一轮又堆积了好多。
• 所以这种不是基于人与人，而是基于 AI 提交修改的新机制，理解会有一个新范式的代码托管平台。
• cursor 不是刚推出了 orange？它其实就是做了一次转变。
• 这一类的转变可能是未来比较多的。
• INFRA 在今天会重新来。
• GitHub 很重要，微软最最重要的翻盘点就是 GitHub。
• 但微软后台很难用，跟微软合作，后台到现在都很难用；有任何功能，没有他们销售帮忙一周搞定任何人。昨天当街了几个小时？原文说“昨天当街了几个小时，我也倒地了几个小时”。
• 历史包袱：那么多人使用代码放在上面，他不敢大概。新的东西从零开始，我管你的。
• 这个 gap 不是 FDE 能解决的，这是范式问题。
• 也可能不是不敢，而是他根本没有意识到，这个流程可能已经 20 年了，谁敢重复这个流程。

7.2 Git 是 Agent 协作纽带

• Git 是很重要的东西，是一个天然的 Agent 协作、Agent 和人协作的纽带。
• 你装任何一个 Agent，什么都可以不用，但不能不装 git。
• 很多人搭 loop 的时候也用 git，比如一休和 pr（原文如此）。
• 两个 Agent 相互去交流，其实大家没有交流，默认就会用 git 的形式。
• 因为这个协议非常完善，而且不需要上下文，所有 AI 都懂。
• Cola 的用户去提反馈，会进入一套后台，然后出去创建 GitHub issue。
• 在 select 里派个 Agent 去监控这些 issue，去修改。
• 大家通过这个把 select、cola 和 git 连起来。
• 自己开发的 cola md 也是每天会提 issue，然后定期用 call a 去扫 issue，然后修一下，发 release 再发到那。
• 大家都是通过 git 来中转。
• GitHub 老宕机，有时说微软不行也可以，但有时也能理解：每个人都在提交代码，一改改几十个文件，疯狂 push，很多都是免费的，确实顶不住。
• GitHub 免费，也是造成现在外头顶繁荣的一个非常重要的基石。
• 但凡这个服务收费，比如 cursor 的 orange 收费，那么它的成果和能力就有限。

八、半年认知变化：Coding、小模型、先进模型与监管

• 年初以为 coding 接下来一路高歌猛进，但半年 coding 也没有特别大的进步。
• 从 offer4.6 到现在，没有明显感觉到特别大的签约？可能是“进步”，原文如此。
• 可能是因为 MISSC 也不让用；飞豹五也还好，没有说那么强，退步更困难。
• 这半年最大变化之一：小模型进步比较快，像 devc flash、前额3.827B（原文如此），在降本方面降了很多。
• 很多人确实都能用得起比较好的 coding 模型了。
• 但先进模型这块让人失望。监管上，先进模型监管在我们这边大家不讨论这个问题。
• 美国那边意识形态已经非常割裂和冲突，非常具体。
• 泰瑞尔到底是在顺应趋势，还是故意在搞渣？不知道。
• 用不上最先进模型，或者代码能力无法提升，主要原因是顶尖模型的发展发布显著变慢。
• METHOS 发不了，OON 也发不了。如果按原来路径，可能很快就发布。
• 飞 book 还疯狂降智，各种路由到 4.8。
• 有一次用户 loop 了，被路由到 4.8，出一堆垃圾答案，然后还找我们退款，很无语。

九、Agent+X 与 X+agent：两条路线

9.1 两条路线的定义

原文在讨论：Agent 加 IM 大于 IM 加 Agent？本质是以谁为中心。

9.2 哪条路更好

• 以前有基本盘的互联网公司一定会选第二条路，不可能放弃自己的立身之本，比如 Office、微信。
• 微信小微理解就是 X+agent，Agent 会进到微信中，读取上下文，给更好建议，它一定会往这个方向发力。
• 飞书现在走的，在原文看来是 Agent+X：以所有东西往里装，所有 X 化散为零，住进去。
• 一切以 Agent 作为跟用户接触的界面和入口，在这里发生。
• 两条路都能完成想做的事情，相当于一个向左走，一个向右走，最终都在山顶见。
• 原文作者初步认为：Agent+X 是一条后劲更足的路。

9.3 X+agent 的限制

• 为什么一定要 Agent+X？因为 X 动不了，X+agent 一定是别扭的。
• 比如微信里的小微，一定别扭，是重在原有 X 中的，很割裂。
• 用户也不一定为这些事做好准备，而且有原来用户的负担。
• AI 成本很高；为了给所有人尽可能提供免费服务，很多旧产品核心就是免费服务。
• 以前能用广告、商业推广 cover 成本，现在显然 cover 不住，因为以前服务器成本低，现在每个 token 都是成本。
• 旧组织结构中，Agent 能力水平参差不齐，加的时候无法理解这套东西。
• 旧基建也可能有问题，造成达不到专门做 Agent 那样的能力水平和用户体验。

9.4 思想实验：未来手机是一块屏

• 去年跟橘子聊过：现在习惯一台手机 2000 块、4000 块、8000 块，里边很多 App，有 App Store。
• 如果 3 年、5 年之后有了很先进的模型，Agent harness 做得又好，为什么还要点开手机、解锁、点各个 App？
• 为什么不能就是一块屏幕，直接跟他说话：“你给谁发一条消息”“明天给我添加个日历”，都没打开、没解锁屏幕，活已经干了。
• 这就是 Agent+X 走到极致：手机就是一块屏，或者一个对话界面，就是跟 harness 的对话，他去调用各种 clan、skill、能力去分发，最终把活干了。
• 但手机场景有个问题：手机不是用来干活的。
• 人的记忆力不足以支撑这件事：订了票，明天可能忘了；需要看到界面才能想起来。
• OBSETTING（原文如此）有一堆文件，上千个笔记，需要看到那个东西才能想起来。
• 人类永远需要目录界面 UI。目录变成仓库；chat 可以解决一切问题，但你要看着仓库，才能想起来要干嘛。
• 所以接下来每个软件都一定会做 dashboard：把所有 chat 中的事情、待办、遗留没完成的工作，全部在 dashboard 中呈现。
• 不是依赖以前那套 UI，而是要有自己建立的新 UI，但是动态 UI，随时变化。

9.5 为什么笃定 Agent+IM

• 杨潘聊完之后，在群里发过：未来就是 Agent+IM。
• X+agent 感觉是在原有结构上生插了一个 AI 能力，这种生插和原有体质有点别扭，不够原生。
• Agent 作为入口，比如 Cocoa 里边说要做 PPT，一句话说我要做一个什么 PPT，什么场景、什么风格，然后这是我的文稿，就出来了。
• 习惯这个入口之后，你不会再想到打开一个软件再排版、这张图不好再聊天换图。
• 两条路径实际体验，前者更丝滑，更符合一个人想象中的未来，与 AI 协作做事时的一种姿态。

9.6 人与人的关系链、Agent 新网

• 传统微信那么多年没被打倒，是因为关系链。
• 如果未来每个人都自己的 Agent，除了人与人以外，还有 Agent 与 Agent（A-A）、人与 Agent（H-A）等新对话。
• 那支 Agent 与 Agent 之间关联的网，在原有网之外还是之内，值得思考。
• 有没有可能有一张新网，节点中的主体一部分是人，一部分是 Agent。
• 比如橘子的 KA 和我的 KA，都已经有大量上下文沉淀、对话风格、联系人。
• 只要在里边说一句：提醒一下橘子，明天下午我们要聊一个什么事情，一句话说完就过去了。
• 我跟我的 A 在说，但我的 A 会找他的 A 去补课时间，给他发邀约。
• 最后橘子在 dashboard 里看到了他的 A 给他说的一个事情。
• 这种对话已经脱离人与人之间的原来的交流网。
• 但今天这个时点，Agent 还比较少，起码没有做到每个人都有一个 A。
• 问题比较受旧的互联网基建拖累。
• 一个公司里大家都用 Slack，每个人都有自己的 AA，其实可以有这个网。
• 但 Slack 界面很好，cloud tag 在 Slack 里非常丝滑，因为它有上下文。
• 如果抛开以前的 IM 去新建一个网络，上下文就丢了；新建网络非常难，很多基建弄不过来，阻力很大。
• 在 Qua 里试过让两个 call a 聊天，但用户学不会，也没有人用。因为这是一个新事物，很抽象：我的两个 Agent 在聊天，我看不见，很抽象。哪怕有一些 dashboard，也觉得很抽象。
• C 端用户能接受的概念非常简单，很小白。比如微信就是看到这个界面的聊天就完了；从 QQ 养成的习惯到手机上迁移，就这么简单一个事情。让他再加一层就很复杂，他理解不了，用不起来。
• 可能得从新一代开始。
• 两个 Agent 没有上下文，两个 Agent 没有区别；上下文又很难拿。
• 人们对自己的 AI 输出的文字的接受度比较高，但对别人的 AI 输出的接受度很低。
• 所以会经历一次翻译：别人写的公众号文章经过翻译，因为大家都觉得别人写的是耶斯洛夫？原文如此。会有一层 A 的翻译，A 转述之后再给你。
• 人总体还是比较喜欢人，喜欢人话。
• 为什么大家都觉得 Office4.6 这个模型很好，之后都越来越差？就是因为他说人话，后来的模型不说人话了。
• 语言很奇怪的，语言不是随机组合；每个字的排列背后都有一个心理的模型。
• 为什么最近 cloud 给模型加水印以后大家这么反感？
• 那个 SR佩克反复强调水印不会更改输出质量、不会更改文案。
• 但克劳德 code 的员工写了一个示例，向大家示意水印怎么工作，结果上水印前的文案和上水印后的文案完全不同。
• 他自己还在那说“你看没有改变你的文案的意思”，下面评论：这咋哪儿没改变了，每个字都不对，意思完全变了。
• 在法律、合同这种严肃场景，你换个词就全变了，因为上下文变了。
• 大家感知是变了：读这个文字的时候，很明显会烦躁。一句话里面多一个字、一个词，传达的东西完全不一样。

9.7 终极推演：贾维斯与更好的锤子

• 期待的是电影《Her》或钢铁侠贾维斯那样的 AI 助理，就在我们旁边。
• 上下文所有东西他都知道：健康数据、每天聊天上下文、和别人的关系、认知模型和世界观。
• 你有想讨论、想思考的时候，他能给你做碰撞。
• 人与人之间的连接是辅助身份，能帮你完成更高效的连接和更深刻的看见。
• 但现在还没到。现在更像一个更好的锤子，大家还是把它视为一个工具。
• 以前拉了一张网线过来，我们成了互联网公司；现在拉了一个 AI 进来，我们要成为 AI 公司，还是把它视为工具。
• 但这一次和互联网那一次有一个本质不同：它真的出现智能了。当然没有意识，但智能出现了。
• 拉网线没有智能一说，只是信息传递变得更高效。
• 所以现在还没有到期待的那种画面、那种境地。

9.8 引入另一个人很难：拉群心智

• 跟一个人聊天时，想到要引入另一个人，你就得拉个群，这是个心智，这个心智很难。
• 群聊这件事在中国之外都很不流行，美国那边都没有群。
• 我在跟我的 KA 聊天时，艾特一下纪纲的 cola，这个行为就很难学。
• 所以这种事一定是有好处的，他才会学。
• 要么确实能大幅提高工作质量和工作效率；要么能带来更多内容消费上的愉悦感或更好感受。
• 人要学会一个东西，一定得有一个 trigger，有一个胡萝卜放在前面才行。

十、C 端用户、内容消费与 AI 短剧

10.1 割裂的两个形态

• 我们这拨人关注的都是 Agent 的工作效率、生产。
• 非常多 C 端用户不需要工作，或者没有需求，或者工作很简单，普通白领有没有 AI 都无所谓，本来活都干不完，或者没得干。
• 他们想象中的 AI 对他们产生最大影响是什么？AI 玩具、AI 视频都不是。
• 我们这拨人割裂了两个形态：消费的那部分人，和我们搞效率的人。
• 大家平时默认另一个世界的人不存在，他们不讨论 AHC，也不讨论 coding。
• 产品就是所有 API，会发现没有人用 c dance；但在 LISA 那边，有的人在用斯达斯（原文如此）。

10.2 AI 内容消费渗透更快

• 在内容消费上，AI 的渗透率发展比 Agent 快得多。
• AI 短剧的渗透已经超过 8 个亿。
• 以前很多人不看短剧，因为短剧尬、过于降智、过于无脑。
• 但有人喜欢无脑；有相当多年轻人或有内容追求的人，以前是不看短剧的。
• 现在越来越多有内容追求的人，对自己消费的内容有要求的人，在看短剧。
• 作者试了一下：刷抖音时出来一个短剧，名字早忘了，但知道它是短剧。看完一集，脑子里边分为两个，观察自己怎么想，就要点下一步。下一步需要下载 App。真的去点下一步，就一个字，观察。
• 一集一集看，每一集都很无脑，剧情像小学生写出来的，但钩子一级勾一级。
• 清晰知道自己一步步往前走，知道有人在引导，也顺着引导走，很微妙、很玄幻，脑子控制不住。
• 高质量的越来越多。以前短剧补不上复杂剧情；短剧正在网文化。
• 网文化就是可以日更，同时又有长篇剧情和非常复杂的架构，不再像以前那种无脑的。
• AI 给你画架构图，我给你生成？原文如此。世界观还是人类架构，但生产效率巨高。
• 内容生产质量在这个时候变得非常：不能说它快或者无脑，更多的是质量提升了，同时速度也提升了。
• 如果技术发展，门槛进一步下降，每个人只要脑子里有个想法、有个幻想，就能做出来。
• 但讲故事这个事还是需要人来讲，AI 协助。你给它一颗种子，它给你生长出一棵树。
• 第二步是视频发布：抖音的基建做得那么好，短剧平台也好，大家都不上传，海量涌现。
• 当然有大量可能 60 分，但也会从里边冒出来 80、90 分，越来越多。
• 现在很难衡量什么份儿，看牛牛来就知道？原文如此。
• 章柯（原文如此）说两小时的电影是好故事，2 分钟的短剧如果是好故事，也是好。跟时间没有关系，跟创作质量没有关系，跟人也没有关系。
• 贾良（原文如此）自己也疯狂刷短剧。

10.3 技术带来的可能性与救援案例

• 技术发展让以前因专业门槛限制、各种现实约束只能在脑中想一想的东西，现在真的能变为实际生产、交付出去。
• 有可能不了了之，但把自己的想法做出来而已；也有可能突然被很多人看见，多了这么一个可能性。
• 救生衣案例：游泳时发救生圈，有人把大疆的那种四引擎、飞的东西加上去，救生衣能在天上飞，直接飞到你头顶落下去。
• 它比扔救生圈好，因为扔的人离得太远，没抓住还得再扔，可能错过时机。
• 广西洪灾，大疆掉救援物资的时候，效率比之前高 1 万倍。
• 所以可能我们要对生产力和工作效率进行关注；但 Agent 的 coding 这块，更多人需要的是消费内容生产。
• 不管是漫剧还是游戏，最近很多人开始用 AI 做游戏，上 Steam 的游戏增长也非常快，因为确实有很多人用 AI 能做出非常好玩的游戏。
• 内容消费上还是一个更大的增长。因为大部分人非常多的人越来越没有工作，不需要那么多工作；同时解放了一部分人的生产力，好内容生产会越来越多。
• 不是每个人都能讲好故事，但能讲好故事的人会越来越多；有资格讲故事的、能讲好故事的人越来越多。
• 有很多擅长讲故事的人，只是没有能力，现在有这个机会被看见了。

10.4 三维轴：原子世界、互联网比特世界、Token 世界

原文尝试用三维轴思考：

• 一个轴是现在的原子世界。
• 一个轴是互联网的比特世界。
• 一个轴是 token 世界。
• 这三个世界是叠加的。
• token 世界：模型能力、harness、Agent 不断发展。
• 互联网世界：我们熟悉的互联网，有基建。
• 现在发生的事情是 AI 世界发展的技术往互联网世界上靠：帮你生短剧、写小说。
• 还有一个轴的结合，是 AI 世界和原子世界的结合：救生圈、大疆无人机去灾区救人。
• 对于大众、对于每个人而言，这是另一种体验上的 AI，在我们身边的感受。
• 达瑞尔他们最近搞癌症研究，这也是很好的例子，air for science。
• 重轻的播客叫“福州天帝”（原文如此），找了一个美国在做药的博士，做临床、药物研发。
• 他说 AI 带来的药物革命，因为药物存在临床实验问题：现在变成临床实验巨慢，药物研发巨快。
• 可能在未来 3-5 年，我们会发现大量疾病被治愈或延缓。
• 因为 21 年或 22 年，基因编辑和谷歌蛋白质生产技术发现以后，大量的人在用那个东西。
• 到今年或者再过几年，他们大量的药物临床实验做完了，做完以后就会大批量上市。
• 可能到 35 年，相当多的疾病被治愈。
• 涉及现实会有很多延后，但他一定会在一个时间点直接爆发：可能在 36 年你会发现，卧槽怎么这么多新药，怎么这么多病都有的治了。
• 最近中国猴都涨价了，老够用了？供不应求，说明 AI 实验室已经多到了抢猴的程度。

十一、上下文、记忆与信息茧房

11.1 上下文是一辆要维护的车

• 自从有了正反馈之后，作者有点疯狂，把每天看的、读的、聊的全部每天让 AI 自动清洗，疯狂垒上下文。
• 杨帆也把所有上下文全部都弄进去了。
• 但发现一个问题：AI 过去拥有我的上下文太多之后，现在有一些新思考，即使明确在 prompt 里面告诉他怎么做，他还是会把我拉到以前的平均值。
• 这是信息茧房，AI 信息茧房。
• 会定期清上下文吗？现在越来越感觉上下文是一辆要维护的车，不是一个增值的房。
• 不能指望一个产品帮你把上下文整理好，尤其是上下文越来越多的时候，必须自己去处理那些东西。
• 因为你在往前走，以前做过那些东西是你的过去。人要不停往前，但 AI 的上下文永远要跟着一起往前走。
• 定期清哪些上下文？管理，让它不要读不该读的上下文，不要上来读所有的，或者不要读不该读的，做好索引。
• 剩下的不是越多越好。
• 顶层设计上做好：什么时候你不要读；什么时候我需要你读了，你再读。
• 除非是什么时候没找我，让你探索的话，那你就开始吧。

11.2 丢进去时做加工

• 纪刚的做法是：在丢进去的时候，让它做一步加工，不是往里不停丢。
• 因为不停丢，你聊着聊着它会说“你还记得我上一次聊天的时候，你当时说过什么什么”，其实跟这一次不搭。
• 或者推理逻辑完全不一样，但因为过去上下文有那一段描述，它把它直接摘过来，影响这次推理的思维结构。
• 所以每次进去的时候跟它说：你看我们记这一次基于什么背景，我们在讨论什么话题，然后我们双方的对话记录是这样，然后它才会提炼。
• 这样有一个边界和约束在。
• 下次再调用的时候，那个边界不一样了，讨论背景不同了，话题也变了，就不能直接引用那个东西。
• 所以这也是顶层设计，有几条原则，加上进去时的清洗。现在是通过这两个环节来做。
• 肯定不是直接往里堆，不停往里丢肯定不行。

11.3 项目化上下文管理

• 项目是个好东西：每次做一个完整项目的时候，把它单独做一个上下文的区域管理，不要让它影响到其他东西。
• 做完之后就过去了，因为人也是这样的：做完之后就过去了，记下结论、下认知，就往前走了。
• 如果所有东西都放在一个地方，就会导致混乱。
• 抽象：项目是项目，在项目里项目是项目的信息，这也是客观信息。
• 自己的认知是在认知那边，就是主观的一些迭代，包括认知。你跟别人聊天，那些东西也会再抽象，再抽出来，一层一层抽。

11.4 上下文与 Agent 的关系

• 上下文在一个 Agent 中不停沉淀、积累的时候，这时候再来一个新 Agent，你去试用，因为它没有那个上下文，所以你就很不适应。
• 你只是在看功能，但不是带着上下文的那种理解。
• 所以 Agent 太多，上下文不够用了。
• 这也是为什么坚持迭代自己的 AH：你的摄像机位都在里边。
• 我可以用任何 Agent，比如这次觉得这个 A 真的好，我就把它加到我的 Agent 里。六经注我。
• 这也是分化的：我们这边上下文过多，大部分人根本没有上下文，不知道什么叫上下文，也不知道上下文在哪，也没有。
• 去跟人家聊好东西，都没有办法进去，因为他上下文在哪？微信。这个干部很大？原文如此。

11.5 什么上下文都累吗

• 人际关系和一些情感上的不会累，因为那些东西都在微信里，没法弄。
• 关于项目和工作的基本上都会弄。
• 认知的、包括跟人聊的，也会弄。
• 飞书是个好东西：飞书录音豆跟飞书本身结合以后，线上开会时，当着别人面按这个东西还是有反感、有心理负担，不会按。
• 但线上无所谓，因为他可能也猜你在录，你也猜他在录，大家都会开会。直接把那东西拿来，他看不到我，直接开。
• 录完以后直接转到飞书 cl，再沉淀下来，再拉下来，再做一次转录或者总结。
• 写 skill 那篇文章 1 万多字，没有改一个字，全是那段时间一直跟所有人聊 CSKU，聊完就成那样了。
• 作者会刻意放很多读书笔记、读的文章，这些会停留下来。
• 但很多东西太多不好，不重要的东西反而是负担。
• 要精选，潮文很重要，潮文和那些深度内容很重要。

11.6 取景框：你想变成什么样的人

• 作者现在把全部能获取的上下文暴力给到 AI，但有一个很明确的取景框：我想要变成什么样的人。
• 比如在管理团队上，觉得迪士尼的老板管理公司管理得很好。
• 用纪刚 REID（原文如此）去把他的几个方法论、核心思考提炼下来。
• 每天让 AI 定期看自己每天聊什么，focus 在什么事情上。
• 然后拿这个人的行为处事来做校准：你觉得我跟他还差在哪儿。
• 所以会明确列很多，比如你跟团队的沟通有问题，你给他们的共情感不够，或者怎么样。
• 会有很明确的指标。这是现在的用法。

11.7 每个人跟自己的 Agent 形成闭环

• 每个人跟自己的 Agent 形成了一个闭环，每个人自己转起来都很开心。
• 千奇百怪，每个人的形态都不一样，但每个人都玩得很开心。
• 这里边有两层觉察：
• 第一层：我们应该形成自己的闭环，不应该去抄别人的。他这么做，所以我这么做，不应该这样；应该养成自己的。
• 第二层：我们要意识到自己在一个环中，别被困住了。
• 案例：公司内外都有，最离谱的一个是，有人的 Agent 开发了一套新的框架，这个框架可以解决模型的幻觉问题。
• 这个结论本来就是说很大的幻觉，但他和他的 AH 互相夸对方，已经在那个闭环里，就是熵增的环境。
• 当他尝试跟人沟通时，只能选择戳破他，然后他会很痛苦，发现一个现实。
• 这不是个例。

11.8 怎么发现信息茧房

• 方法一：把一些自己做的暴论发到网上，看喷得高不高、喷得多不多；喷得多可能就是一个茧房主。
• 方法二：进入长视频去读书，找一些 AI 之类的信源，然后去输入。
• 千万不要只进行 AI，还是得自己消费那种。
• 还有一个问题：模型价格未来会越来越便宜还是越来越贵？这绝对有发言权。

十二、模型价格、Harness 与缓存

12.1 价格分化：SOTA vs 主流

• 作者发过“DBC 涨价了”，内容大概有 1 万 7 的曝光。有人评论说：你写东西好像不像一个 AI 从业者。
• 作者心里想：AI 从业者不应该最关心价格吗？价格涨十倍影响了我整个生意模式。
• 昨天还挣钱，今天就亏，就得关门。
• 半年前跟一个英伟达的朋友打赌：模型是贵还是便宜？
• 作者说最前沿的模型一定越来越贵，显卡越来越不够，Agent、AT、AH 能让显卡越来越紧张；显卡跟不上速度，一定会贵。它有时候会便宜。
• 打赌 100 块钱。结果 deep sk 出来之后疯狂降价，基本大家谁都用得起，疯狂跑花不到什么钱，作者输了 100 块钱给他。
• 没想到前天迪福斯克涨价了，涨了 12 倍，大家又用不起了，他又把那 100 块钱还给我。
• 行业经历这样的循环之后，大家会发现 AMC 的价格好像就这样了，再往下降也没有太大的区别。
• 最近露娜降价降得很低，有些地方的露娜都已经免费了。
• 但中转站好多暂不见了。中转站按官方 API 卖，已经没有办法往下降了；再往下降没有任何利润，已经超过服务成本。
• 这个节点还挺微妙：首先露娜已经能够满足 90% 人的需求。
• 但智能的模型，比如 FO，或者下一代 ASTRA 什么的，依然会很贵。
• 开始分化了。
• 回看过去几年模型发布价格曲线，可以这么看：
• SOTA 模型永远推出最新最强的，价格是不变的、持平的，或者说稍微往上还要涨一些。
• 主流模型的价格不断像指数下降一样。
• 两条线。SOTA 模型不断往上，上到越来越离谱。当然最强的就那一个；如果想要便宜的，用主流的，价格确实一直下降。
• 平替越来越多。

12.2 5 分 10 分差距与 50 倍 100 倍价格

• 很多人是在为基准上 5 分、10 分的差距，付出 50 倍、100 倍的价格差距。
• 但如果只看基准，你会觉得这个东西非常贵、非常不值。
• 用起来会发现非常值，如果你真的有用处的话。
• 哪怕写文章：用 DEPSG 的 pro 写完之后，“我这写的啥啊”；换到 OO4.6 重写一遍，不然好多没改，质量一下提升了很多，价格贵 100 倍。
• 作者跟很多人说 OPPO4.6 和 DEPC 的模型是天壤之别，别人也不信。
• 作者只用 CD，没有发言权。
• 最近看报道说：harness 跟基座模型，一个像汽车底盘，一个像上面的所有引擎和所有东西。
• 以前觉得上面的 harness 随便可以插拔到任何大模型上面；现在会发现所有表现都是这个 harness 应该配这个底盘，表现最好，因为它是联合训练。
• 对 OS 层在上面再搭一层 harness 会有影响吗？原文觉得还好。
• 比如 DPC 刚出来的时候，disco 也是在 COCODE 里训的，它在 clock code 之外的位置调用就特别差。
• 但后训练之后，到 flash 0731 开始，基本上各 Agent 跑得都很好。数据一定会回流，问题不大，只是时间差。
• 大部分人都也不用追求一定要前沿到一个月的时间差；从业者可以，但没有必要让用户去追，很累。
• 露娜这个模型已经真的满足了 90% 的需求，给朋友推荐的话，用露娜就很够了。
• 但如果你一直在考虑的世界里，你没有看过 GPT，没有看过 Deep sick，写作真的惨不忍睹。
• GBT 到现在也没换。现在如果用 cloud，它用的 office45，写作更惨不忍睹。human eysi 后面那个都救不了飞奔，不说人话，救不了。

12.3 红皇后效应与缓存黑科技

• 如果 harness 和模型是解耦的，一个搭建好的 harness 切换模型的 API 是任意的。
• 那就会出现模型厂商的红皇后效应：你只有拼命奔跑，才能停在原地；你落后就是死。
• 因为用户切换是零成本，如果你现在不好用，那我秒切。
• 你昨天还是 3000 万用户，因为你不好用了，价格又贵，性价比不高，就秒切，因为 harness 可替换。
• 过去一年就是这种状态。
• 模型厂会做什么？会把 harness 和模型一起混合训练，让我的模型和我的 harness 配套起来最好用。如果你要切，你就效果变差。
• 理论上应该往这个方向使劲，这样才能把用户拴住。
• 但目前实际用下来，切换起来基本没有什么痛感。
• 现在拴用户靠的是 Agent，还有 harness 的优化会导致缓存提高，然后降低价格去卖，对 API 形成价格优势。
• DEFSK1 出来之前降价的时候，缓存如此低廉，充 50 块钱用了半年还没用完。
• Deep seek 的缓存黑科技，在科拉里面，迪克斯的反射率 96%，特别离谱。
• 在 harness 里，在 DVC 和 harness 里缓存 100%，经常会出现缓存 100%。
• 缓存 90% 和 95% 是两个重要节点。90% 和 95% 的成本差异可能差两倍。
• 因为没有缓存的价格是有缓存的 10 倍到 100 倍之间。
• 缓存率至少提升 5 个基点，价格一下就下来了。
• 但核心问题在于：缓存一定会降低，或者有可能会降低模拟输出质量。
• Cloud code 之前陷入如此拉胯的原因，就是为了降成本，导致模型和缓存过于极端。
• 现在 Cola 主打的哪一些功能点，在大模型自己 harness 迭代的线上？原文认为所有功能，你凡是用它做一个东西、做一个项目，一定是在这个大环线的线上。

12.4 给用户目标：像多邻国一样

• 跟 AI 沟通时输入一个图景取景框，这个很重要。
• 大部分人是没有这个意识的：没有告诉 AI 我长期希望我往哪个方向走。
• 它就是一个无状态在里边，没有目标。
• 一旦你有个方向，模型能观察很多很多的东西；如果你没有方向，它也帮不上什么太多忙。
• 甚至很多人都不会提问。
• 这可能是 harness 需要做的事情：让用户进来之后找到一个目标。
• 就好像多邻国：你说我要学英语，我不知道怎么学，有那么多方法论，但多邻国说你来这儿玩游戏就可以打卡就完事了。
• 不管怎么说，你先走起来。
• 但多邻国没什么太多智能。如果它是一个智能的 Agent，它就真的用户在这可以学会这个语言。
• 这是行业要做的事情：给用户一个目标，给用户一个路径方法。
• 模型只给用户没有用；工具得有 GP，AFDE 就是产品所谓“什么叫产品”：产品就是自己带一套 FDE。
• 这是 Cola 的方向。
• 到这一层，你会发现每一个产品的细分是不一样的。
• 以前大家都差不多，我和芭比和 KA 做的事情都差不多；但往后会越来越不一样。
• 因为每个模型想做的事情、擅长的事情，跟它的 onboarding、跟它的 FD 关联在一起。
• 涉及每个 OS 创造者自己的审美：他觉得他的用户进来要去往哪个方向。
• 人很多样。你用模型方法证明这个实践很好，去告诉 100 个人，能听的人估计有 10 个人。人有 P 人、J 人，很多样性。

十三、个人工作流、商业化与制度摩擦

13.1 从内容到产品：变化与难点

• 作者行为上的变化：去年在做内容，今年拿内容带产品。
• 产品还是不赚钱，但整个流程确实发生很大变化。
• 在找一个能落地的地方：去年很难落地，今年能落地的地方变多了，自己能做的事情也变多了。
• 做东西越来越多，但在用的时候、变现的时候还是有一些难度。
• 到了一个 AI 无法改变的节点：渠道、支付、财务，这些跟现实的耦合非常深，你没有办法去改变或提效这部分。
• 造成：往前走了一步，从内容到产品，从产品带内容，带内容做内容带产品，但在商业化和变现上还是有点麻烦。
• AI 介入也很难受。
• 合作做 collass skill 那个网站，从想做到做出来竟然花两个月。
• 为什么这么久？要把它做好还是挺难，不断迭代，要拉团队，要找到差异化点，肯定不想再做 airs loft。
• 要人去把这个东西挑好，很多细节要改。
• 关键问题还在于：把钱打到张师傅账户上，这件事情也花两个月，因为他在搞新的公司、新的方式。
• 节奏很慢很慢，两个月。
• 最近尝试跳出 KYL 或跳出从内容付费、接广告的商业模式，从自己的产品从业、从自己的迭代结果去收钱。
• 但一旦走上正规的交付和支付渠道以后，非常麻烦。
• 所有东西需要重新学票？原文如此。资质、工资，每个都得自己跑。
• 你不可能找人带，因为很多东西都是法人去盖章签字。
• 你要去一个银行或者一个什么地方，一天就过去了，这一天什么都干不了，你就在路上。
• 这就是 OPC 的一天：跑财务跑一天，开票开一天，签合同签一天。
• 那天有个离谱的事情：签合同，对方合同永远有问题，签了八份儿，120 张纸，盖了 80 张，没有一次是对的。一天就在盖章。
• 所以会有服务公司去服务，这些代理不会消失，AI 应该做不了这些东西。
• 这就是制度和技术之间的齿轮速度：制度非常慢和稳定，技术特别快变化，两者有速度差，服务就在填平这个速度差。

13.2 与 Agent 合作的商业化形式

• 跟这些 Agent 合作：他们直接买一次，一次性买断，善授权加赞助？原文如此。
• 因为本身是开源，可以赞助开源，也可以授权，同时进行，相对比较双赢。
• 但即便如此，盖章盖八次，说明阻力还是很大。
• 一天时间耗进去，本来一个涉嫌 license 可以 skin 的事情，变成了一个无法 skin 的事情。
• 这是一个新东西，在一些 to B 大公司里没有对应的流程和章程。
• 需要频繁沟通交流，或者用别的方式。见 SOP？见不着，因为各个厂家都不一样，很麻烦。

十四、限制、待确认与未决问题

• 原文中大量人名、产品名、模型名为语音转写，如 FT1、FDE、SARS/SaaS、PUNTEER/PENANTIER、GROGBT/GRGBT、DEPCHAR、蒂姆西克哈里斯、灵异万物/01万物、KIMIK3、OBS45、OBS585十、DEPSG、DBC、迪福斯克、DEFSK1、DVC、露娜、AMC、CD、GP、AFDE、一休和 pr、select、Qua、KOA、KA、LISA、斯达斯、c dance、欧巴、OBSETTING、福州天帝、章柯、贾良、达瑞尔、泰瑞尔、METHOS、OON、飞豹五、MISSC、offer4.6/Office4.6/OO4.6/OPPO4.6、飞 book 等，未能逐一确认标准写法。
• 关于“灵异万物/01万物”与马杰、PUNTEER/PENANTIER 对标关系，原文为对话判断，未提供公开来源或更多细节。
• “培训完之后转化率大概在 75%”是原文转述，未说明统计口径。
• “AI 短剧渗透已经超过 8 个亿”是原文口述数据，未给出统计来源与口径。
• “未来 3-5 年大量疾病被治愈或延缓”“可能到 35 年”“36 年爆发”是原文对药物研发与临床实验的判断，不是确定事实。
• “模型价格未来如何”原文认为开始分化：SOTA 价格持平或上涨，主流模型指数下降。该判断基于对话中的个人体验和零散报道，不是行业统一结论。
• “缓存 90% 和 95% 是两个重要节点”“成本差两倍”“无缓存价格是有缓存 10 到 100 倍”等，均为原文经验性说法。
• “Agent+X 后劲更足”是原文作者初步判断，不是已验证结论。
• “未来就是 Agent+IM”是杨潘的观点，原文作者表示特别笃定，但仍属于预测。
• “每个人最终都会有一个 Agent，并出现 Agent 世界的互联网”是原文推演，依赖两个假设：Agent 拿到所有上下文；Agent 能在全世界发现并匹配其他人。原文认为第二个假设当前远未成型。
• “手机不是用来干活的”“人类永远需要目录界面 UI”是原文观察与判断，非普遍验证结论。
• “OPC 服务公司很有价值”是原文讨论中的判断，未给出商业验证。

十五、行动清单与方法提炼

以下仅整理原文中明确出现或可归纳为行动建议的内容，不补充原文没有的步骤。

15.1 产品与组织层面

• 重新思考：不是把产品直接交付出去就完了，中间还有一个 gap 需要做。
• 建立“服务裹着能力”的意识，而不是“能力裹着服务”。
• 不要只做培训团队天天培训客户，而是把 FDE、最佳实践、用户教育、生态内容一起做起来。
• 产品公司自己先要把东西用起来、把服务/内容做起来，再给推广人员素材，让他们带动生态。
• 让业务专家和懂 Agent 产品的人相遇。
• 用一眼能 get 到的场景教育用户，例如抢外卖券、整理桌面，再让用户复制这个场景。
• 把最佳实践封装成简单“咒语/密码”：一句话就能拿到结果。
• 在企业落地时，要抽取不同业务场景中的最佳实践，不能只指望大家自己摸索。
• 在深水区，服务还是得进去。
• 认为三条路都走：5% 超级用户先跑、培训、FDE 带服务进入。
• 衡量 FDE 成不成功：不是陪伴用户越久越好，而是你抽离后客户还能带着你的脑子运转。
• 给用户目标、路径和方法，像多邻国一样让用户先走起来。
• 产品就是自己带一套 FDE。
• 关注每个产品细分、onboarding、FD 与创造者审美，因为往后产品会越来越不一样。

15.2 上下文与个人工作流

• 上下文是一辆要维护的车，不是增值的房。
• 不要只往上下文里堆，要自动清洗、精选、做索引。
• 顶层设计：规定什么时候不要读、什么时候需要读、探索时再读。
• 每次丢进去时做加工：说明背景、讨论话题、双方对话记录，让 AI 提炼，形成边界和约束。
• 下次调用时，边界不同、背景不同、话题变了，不能直接引用旧内容。
• 项目单独做上下文区域管理，不影响其他；做完就过去，记下结论和认知。
• 抽象分层：项目信息是客观信息；自己的认知是主观迭代；跟别人聊天再抽象，一层层抽。
• 坚持迭代自己的 AH，把摄像机位放在里边；可以用任何 Agent，好的加到自己的 Agent 里，六经注我。
• 有明确取景框：我想变成什么样的人；用某个人（如迪士尼老板）的方法论核心思考做校准，让 AI 定期看自己聊什么、 focus 什么，指出差距。
• 形成自己的闭环，不抄别人的；同时意识到自己在一个环中，别被困住。
• 发现信息茧房：把暴论发网上看喷得高不高；进入长视频读书，找非 AI 信源输入；不要只进行 AI。

15.3 Skill、Agent 与商业合作

• 明白 skill 本质是一套没有界面的软件，每个人不需要那么多 skill，重点是想清楚自己需要什么。
• 真实需求复杂，skill 更多是模板；最终要定制自己的 skill 进入工作流。
• 做个人 FDE 化，把能力沉淀到自己的工作流里。
• 跟 Agent 合作可一次性买断、授权加赞助；开源可赞助，也可授权，同时进行。
• 对 Agent 产品来说，要筛选优质 skill/plugin，让用户快速感知，并内化到产品里，让用户觉得是产品厉害。
• 关注用户教育和触发点：要么大幅提高工作质量和效率，要么带来内容消费愉悦感或更好感受，否则很难学。

15.4 对个人效率与内容消费的观察

• 语音输入法改变交电脑前的人机交互方式，也改变了心智：说话像跟自己对话，打字会自斟自主、删字微调。
• 翻译默认开启后，语言隔阂感消失，AI 确实在日常每一天。
• 内容消费上，AI 渗透比 Agent 效率工具快得多；短剧、漫剧、游戏、内容生产是更大的产业变化。
• 技术让有想法的人能把脑中幻想变成实际生产，可能被更多人看见，多了可能性。
• 关注 AI 与原子世界结合，而不只是 token 世界与互联网世界结合。

十六、总结

整段对话的核心线索是：AI 模型和 Agent 产品本身不直接等于业务结果，能力与业务之间存在 gap。 这个 gap 不能只靠功能、推广、砸钱或培训解决，而要靠服务、FDE、最佳实践封装、用户教育、上下文维护和组织流程适配来填充。

原文最重要的判断可以压缩为几句：

• 服务裹着能力，不是能力裹着服务。
• 软件已经死了，SaaS 是服务，AI 是用 token 提供哪些服务。
• 不同人使用同一个 Agent 差异巨大，不可能人人达到同样水平；让 5% 的人先跑，或培训，或 FDE 带服务进入。
• FDE 不是外包，不是开发完就走，而是填平 Agent 与业务的落差，最终让自己可被抽离。
• 技术快、组织慢、制度更慢，服务填平速度差。
• 上下文不是越多越好，要维护、清洗、索引、项目化、顶层设计，避免被拉回过去的平均值。
• 模型价格分化：SOTA 贵且持平/上涨，主流模型指数下降；平替增多，但最强模型仍可能值 50 倍到 100 倍价差。
• Harness 与模型如果解耦，模型厂会陷入红皇后效应；联合训练、缓存优化、Agent 绑定是拴住用户的方式。
• AI 内容消费渗透快，短剧、游戏、内容生产是更大的产业；医疗、药物研发体现“上下文阅读 + 专业推理”的潜力。
• 未来可能是 Agent+X 或 X+agent，也可能出现 Agent 世界的新网，但当前条件远未具备，受旧互联网基建、上下文缺失、用户心智和组织制度拖累。