巨头博弈下，Agent 的机会和价值究竟在哪里？

巨头博弈下，Agent 的机会和价值究竟在哪里？ 巨头博弈下，Agent 的机会和价值究竟在哪里？ Modified June 16, 2025 广密： 我觉得 Coding 有可能拿走整个大模型产业阶段性 90% 的价值。 这个价值怎么长出来？今天的第一幕还是服务全球 3000 万程序员。我举个例子，Photoshop 服务的是全球两三千万专业设计师，门槛很高。但是当剪映、Canva、美图秀秀出来后，可能有 5 亿甚至更多的用户都可以使用这些工具，并做出更火爆的内容。 Code 有一个好处，它是一个创意的表达平台。这个社会上 90% 以上的任务都可以通过 Code 来表达，所以它有可能变成一个创意平台。以前应用开发门槛非常高，大量的长尾需求没有被满足。当门槛大幅降低后，这些需求就会被激发出来。 我期待的是应用的大爆发。移动互联网生成的最大数据是内容，而 AI 这一波生成的最大内容可能就是新的应用软件。 这就像优酷、爱奇艺这种长视频平台和抖音的区别。你可以把大模型比作摄像头，在它之上还能做出抖音和剪映这样的杀手级应用。这可能就是所谓的 Vibe Coding（氛围编程）的本质，它是一个新的创意平台。 张鹏： 要提升 Agent 的输出价值，输入（input）也变得非常重要。但在产品和技术上，有什么方法可以提升输入质量，从而确保更好的输出呢？ Cage： 在产品上，我们不能觉得用户用不好产品是用户的问题。要下功夫最关键的一个词就是上下文（Context）。一个 Agent 能否建立上下文感知（Context Awareness）？ 举个例子，如果我在互联网大厂里写代码，Agent 不光要看我手头的代码，还要看整个公司相关的代码库（Codebase），甚至要看我在飞书里和产品经理、同事的对话，以及我之前的编码和沟通习惯。把这些上下文都给 Agent，我的输入才能更高效。 所以对于 Agent 开发者来说，最关键的就是要把记忆（Memory）机制和上下文的连接能力做得足够好，这也是 Agent 基础设施（Infra）的一大挑战。 此外，对于开发者来说，怎么做好强化学习的冷启动数据、怎么定义清晰的奖励（Reward）也很重要。这个奖励背后意味着，当用户表达不清晰时，你怎么把他的需求拆解出来。比如，OpenAI 的 Deep Research 在我问得不清晰时，会先给出四个引导性问题。在和它交互的过程中，我其实也在想清楚自己的需求。 对于今天的用户来说，最主要还是要想怎么清晰地表达需求，以及怎么验收需求。虽然不用做到以终为始，但要对好坏有一个大概的预期。 我们写 Prompt 也要像写代码一样，有清晰的指令和逻辑，这样能避免很多无效的输出。 广密： 我补充两点。 第一，上下文的重要性。 我们内部经常讨论，上下文做好了，会有新的支付宝、PayPal 级别的机会。 以前电商看的是成交总额（GMV），以后看的是任务完成率。而任务完成，一边是智能，另一边就是上下文。比如我要做一个个人网站，如果把我的 Notion 笔记、微信数据、邮件数据都提供给 AI，那我的个人网站内容肯定会非常丰富。 第二，自主学习。搭好环境后，Agent 要能迭代，这非常关键。 如果不能持续学习迭代，结果就是被模型本身吃掉，因为模型就是一个学习系统。上一波移动互联网，没有做机器学习和推荐的公司都没做大。这一波如果 Agent 做不好端到端的自主学习和迭代，我觉得也做不起来。 张鹏： 我们怎么判断未来 Agent 的能力会以一个超级接口的形式出现，还是离散地分布在各个场景里？ Cage： 我看到一个比较大的趋势是，第一，肯定是多智能体（Multi agent）的。即便是完成一个任务，在 Cursor 这类产品里，做代码补全和做单元测试的可能是不同的 Agent，因为它们需要的性格和擅长的点不一样。 第二，入口会不会有变化？我觉得入口是一个二阶的问题。首先要发生的是，大家有很多 Agent，并和它们协作。这些 Agent 背后会支撑起一张网络，我称之为 Botnet。比如未来购物，60% 以上的固定消费可能都由 Agent 帮我完成。 在生产力场景也一样，未来程序员的每日例会可能会被 Agent 之间的协作所取代，由它们推送指标异常和产品开发进展。当这些发生后，入口的变化才可能出现。那个时候，API 的调用也不再主要是人类调用，而是 Agent 之间互相调用。 张鹏： 那些有能力的大厂，比如 OpenAI, Anthropic, Google, Microsoft，在 Agent 上都是什么样的决策和行动状态？ 广密 ： 我脑子里一个关键词是分化。 去年大家都在追赶 GPT 4，但现在能做的事更多了，各家都开始分化。 第一个发生分化的就是 Anthropic。因为它比 OpenAI 晚，综合能力没那么强，所以它就专注在 Coding 上。我感觉它摸到了通往 AGI 大方向的第一张大牌，就是 Coding Agent。他们可能认为，通过 Coding 可以实现 AGI，可以带来指令遵循能力和 Agent 能力，这是一个逻辑自洽的闭环。 但 OpenAI 手上的大牌就更多了。第一张是 ChatGPT，Sam Altman 可能想把它做成 10 亿日活的产品。第二张是它的 O 系列模型（GPT 4o 等），预期很高，能带来更多泛化能力。第三张是多模态，它的多模态推理能力上来了，未来在生成上也能体现。所以，Anthropic 摸到了一张大牌，OpenAI 摸到了三张。 另一个大厂是 Google。我觉得到今年年底，Google 可能会在全方位赶上。因为它既有 TPU，又有 Google Cloud，有顶尖的 Gemini 模型，还有 Android 和 Chrome。你在全球找不到第二家拥有所有这些要素，还几乎不依赖外部的公司。 Google 端到端能力是非常强的，很多人担心它的广告业务会被颠覆，但我感觉它未来可能会找到新的产品结合方式，从一个信息引擎变成一个任务引擎。 苹果因为没有自己的 AI 能力，现在迭代就很被动。而微软是以开发者见长的，但 Cursor 和 Claude 其实抢了不少开发者的注意力。当然微软的盘子非常稳，有 GitHub 和 VS Code，但它也必须拥有非常强的 AGI 和模型能力。所以你看它也宣布 GitHub 的首选模型之一变成了 Claude，并迭代自己的开发者产品。微软在开发者这块必须守住，否则根基就没了。 所以大家开始分化了。可能 OpenAI 想成为下一个 Google，Anthropic 想成为下一个 Windows（靠 API 活着）。 张鹏： 那与 Agent 相关的 Infra 有哪些变化和机会？ Cage： Agent 有几个关键组件。除了模型，第一个就是环境（Environment）。 Agent 开发最早期，80% 的问题都出在环境上。 像早期的 AutoGPT，要么用 Docker 启动，非常慢，要么直接在本地电脑部署，非常不安全。如果一个 Agent 要和我一起上班，我就得给它配一台电脑，所以环境的机会就出来了。 配电脑有两大需求： 1. 虚拟机/沙盒： 提供一个安全的执行环境。任务做错了能回退，执行过程不能伤害实际环境，并且要能快速启动、稳定运行。像 E2B、Modal Labs 这样的公司都在提供这类产品。 2. 浏览器： 信息检索是最大需求，Agent 需要到各种网站上爬取信息。传统的爬虫容易被封，所以需要给 Agent 搭一个专用的、能理解信息的浏览器。这就应运而生了像 Browserbase、Browser Use 这样的公司。 第二个组件是上下文（Context）。这包括： • 信息检索（Retrieval） ： 传统的 RAG 公司还在，但也有新的公司，比如 MemGPT，它为 AI Agent 开发轻量化的记忆和上下文管理工具。 • 工具发现 ： 未来工具会非常多，需要一个像「大众点评」一样的平台来帮助 Agent 发现和挑选好用的工具。 • 记忆（Memory） ： Agent 需要一套能模拟人类复杂的长短期记忆结合能力的 Infra。 第三个组件是工具（Tools）。包括简单的搜索，也包括复杂的支付、自动化后端开发等。最后，当 Agent 能力再强一些，一个重要的机会就是 Agent 安全（Agent Security）。 广密： Agent Infra 非常重要。我们可以以终为始地想，三年后，当几万亿的 Agent 在数字世界里执行任务，那 Infra 的需求就太大了，这将重构整个云计算和数字化世界。 但今天我们还不知道什么样的 Agent 能做大，它到底需要什么样的 Infra。所以现在对创业者是一个非常好的窗口期，可以和那些做得好的 Agent 公司共同设计（co design）和共创 Infra 工具。 我觉得今天最重要的，第一是虚拟机，第二是工具。 比如未来的 Agent 搜索肯定和人的搜索不一样，会产生天量的机器搜索需求。现在全网人类的搜索每天可能 200 亿次，未来机器搜索可能是几千亿甚至上万亿次。这种搜索不需要给人类做排序优化，可能一个大的数据库就够了，这里有很大的成本优化和创业机会。 08 . Agent 进化的关键里程碑 张鹏： Agent 始终绕不开模型，站在今天，你觉得模型技术在过去两年里走过了哪些关键的台阶？ 广密： 我觉得关键的里程碑可能就两个。一个是 GPT 4 代表的 Scaling Law 范式，即在预训练阶段，扩大规模仍然是有效的，它能带来通用的泛化能力。 第二个大的里程碑是 O 系列模型所代表的“模型会思考”的范式。它通过更长的思考时间（思维链），显著提升了推理能力。 我觉得这两个范式是今天 AGI 的左膀右臂。在这个基础上，Scaling Law 远远没有停止，思考模式也会继续。比如，在多模态下可以继续 Scaling，也可以把 O 系列的思考能力加到多模态上，这样多模态就能有更长的推理能力，生成的可控性和一致性就会变得非常好。 我自己的感觉是，未来两年可能比过去两年进步要更快。 今天可能正处在一个全球几千名顶尖 AI 科学家，共同推动人类科技文艺复兴的状态 ， 资源充足，平台也具备了，很多地方都可能出现突破。 张鹏： 你会比较期待接下来一两年，在 AI 领域看到哪些技术台阶的实现和跳跃？ Cage： 第一个是多模态。现在多模态的理解和生成还是比较零散的，未来一定会走向大一统，即理解和生成一体化。这会极大地打开产品的想象力。 第二个是自主学习。我很喜欢 Richard Sutton（强化学习之父）提出的“经验的时代”（the era of experience）这个概念，即 AI 通过在线执行任务的体验来提升自己的能力。这在以前是看不到影子的，因为没有基座的世界知识。但从今年开始往后，这会是一个持续发生的事情。 广密： 我觉得 Coding 有可能拿走整个大模型产业阶段性 90% 的价值。 这个价值怎么长出来？今天的第一幕还是服务全球 3000 万程序员。我举个例子，Photoshop 服务的是全球两三千万专业设计师，门槛很高。但是当剪映、Canva、美图秀秀出来后，可能有 5 亿甚至更多的用户都可以使用这些工具，并做出更火爆的内容。 Code 有一个好处，它是一个创意的表达平台。这个社会上 90% 以上的任务都可以通过 Code 来表达，所以它有可能变成一个创意平台。以前应用开发门槛非常高，大量的长尾需求没有被满足。当门槛大幅降低后，这些需求就会被激发出来。 我期待的是应用的大爆发。移动互联网生成的最大数据是内容，而 AI 这一波生成的最大内容可能就是新的应用软件。 这就像优酷、爱奇艺这种长视频平台和抖音的区别。你可以把大模型比作摄像头，在它之上还能做出抖音和剪映这样的杀手级应用。这可能就是所谓的 Vibe Coding（氛围编程）的本质，它是一个新的创意平台。 张鹏： 要提升 Agent 的输出价值，输入（input）也变得非常重要。但在产品和技术上，有什么方法可以提升输入质量，从而确保更好的输出呢？ Cage： 在产品上，我们不能觉得用户用不好产品是用户的问题。要下功夫最关键的一个词就是上下文（Context）。一个 Agent 能否建立上下文感知（Context Awareness）？ 举个例子，如果我在互联网大厂里写代码，Agent 不光要看我手头的代码，还要看整个公司相关的代码库（Codebase），甚至要看我在飞书里和产品经理、同事的对话，以及我之前的编码和沟通习惯。把这些上下文都给 Agent，我的输入才能更高效。 所以对于 Agent 开发者来说，最关键的就是要把记忆（Memory）机制和上下文的连接能力做得足够好，这也是 Agent 基础设施（Infra）的一大挑战。 此外，对于开发者来说，怎么做好强化学习的冷启动数据、怎么定义清晰的奖励（Reward）也很重要。这个奖励背后意味着，当用户表达不清晰时，你怎么把他的需求拆解出来。比如，OpenAI 的 Deep Research 在我问得不清晰时，会先给出四个引导性问题。在和它交互的过程中，我其实也在想清楚自己的需求。 对于今天的用户来说，最主要还是要想怎么清晰地表达需求，以及怎么验收需求。虽然不用做到以终为始，但要对好坏有一个大概的预期。 我们写 Prompt 也要像写代码一样，有清晰的指令和逻辑，这样能避免很多无效的输出。 广密： 我补充两点。 第一，上下文的重要性。 我们内部经常讨论，上下文做好了，会有新的支付宝、PayPal 级别的机会。 以前电商看的是成交总额（GMV），以后看的是任务完成率。而任务完成，一边是智能，另一边就是上下文。比如我要做一个个人网站，如果把我的 Notion 笔记、微信数据、邮件数据都提供给 AI，那我的个人网站内容肯定会非常丰富。 第二，自主学习。搭好环境后，Agent 要能迭代，这非常关键。 如果不能持续学习迭代，结果就是被模型本身吃掉，因为模型就是一个学习系统。上一波移动互联网，没有做机器学习和推荐的公司都没做大。这一波如果 Agent 做不好端到端的自主学习和迭代，我觉得也做不起来。 张鹏： 我们怎么判断未来 Agent 的能力会以一个超级接口的形式出现，还是离散地分布在各个场景里？ Cage： 我看到一个比较大的趋势是，第一，肯定是多智能体（Multi agent）的。即便是完成一个任务，在 Cursor 这类产品里，做代码补全和做单元测试的可能是不同的 Agent，因为它们需要的性格和擅长的点不一样。 第二，入口会不会有变化？我觉得入口是一个二阶的问题。首先要发生的是，大家有很多 Agent，并和它们协作。这些 Agent 背后会支撑起一张网络，我称之为 Botnet。比如未来购物，60% 以上的固定消费可能都由 Agent 帮我完成。 在生产力场景也一样，未来程序员的每日例会可能会被 Agent 之间的协作所取代，由它们推送指标异常和产品开发进展。当这些发生后，入口的变化才可能出现。那个时候，API 的调用也不再主要是人类调用，而是 Agent 之间互相调用。 张鹏： 那些有能力的大厂，比如 OpenAI, Anthropic, Google, Microsoft，在 Agent 上都是什么样的决策和行动状态？ 广密 ： 我脑子里一个关键词是分化。 去年大家都在追赶 GPT 4，但现在能做的事更多了，各家都开始分化。 第一个发生分化的就是 Anthropic。因为它比 OpenAI 晚，综合能力没那么强，所以它就专注在 Coding 上。我感觉它摸到了通往 AGI 大方向的第一张大牌，就是 Coding Agent。他们可能认为，通过 Coding 可以实现 AGI，可以带来指令遵循能力和 Agent 能力，这是一个逻辑自洽的闭环。 但 OpenAI 手上的大牌就更多了。第一张是 ChatGPT，Sam Altman 可能想把它做成 10 亿日活的产品。第二张是它的 O 系列模型（GPT 4o 等），预期很高，能带来更多泛化能力。第三张是多模态，它的多模态推理能力上来了，未来在生成上也能体现。所以，Anthropic 摸到了一张大牌，OpenAI 摸到了三张。 另一个大厂是 Google。我觉得到今年年底，Google 可能会在全方位赶上。因为它既有 TPU，又有 Google Cloud，有顶尖的 Gemini 模型，还有 Android 和 Chrome。你在全球找不到第二家拥有所有这些要素，还几乎不依赖外部的公司。 Google 端到端能力是非常强的，很多人担心它的广告业务会被颠覆，但我感觉它未来可能会找到新的产品结合方式，从一个信息引擎变成一个任务引擎。 苹果因为没有自己的 AI 能力，现在迭代就很被动。而微软是以开发者见长的，但 Cursor 和 Claude 其实抢了不少开发者的注意力。当然微软的盘子非常稳，有 GitHub 和 VS Code，但它也必须拥有非常强的 AGI 和模型能力。所以你看它也宣布 GitHub 的首选模型之一变成了 Claude，并迭代自己的开发者产品。微软在开发者这块必须守住，否则根基就没了。 所以大家开始分化了。可能 OpenAI 想成为下一个 Google，Anthropic 想成为下一个 Windows（靠 API 活着）。 张鹏： 那与 Agent 相关的 Infra 有哪些变化和机会？ Cage： Agent 有几个关键组件。除了模型，第一个就是环境（Environment）。 Agent 开发最早期，80% 的问题都出在环境上。 像早期的 AutoGPT，要么用 Docker 启动，非常慢，要么直接在本地电脑部署，非常不安全。如果一个 Agent 要和我一起上班，我就得给它配一台电脑，所以环境的机会就出来了。 配电脑有两大需求： 1. 虚拟机/沙盒： 提供一个安全的执行环境。任务做错了能回退，执行过程不能伤害实际环境，并且要能快速启动、稳定运行。像 E2B、Modal Labs 这样的公司都在提供这类产品。 2. 浏览器： 信息检索是最大需求，Agent 需要到各种网站上爬取信息。传统的爬虫容易被封，所以需要给 Agent 搭一个专用的、能理解信息的浏览器。这就应运而生了像 Browserbase、Browser Use 这样的公司。 第二个组件是上下文（Context）。这包括： • 信息检索（Retrieval） ： 传统的 RAG 公司还在，但也有新的公司，比如 MemGPT，它为 AI Agent 开发轻量化的记忆和上下文管理工具。 • 工具发现 ： 未来工具会非常多，需要一个像「大众点评」一样的平台来帮助 Agent 发现和挑选好用的工具。 • 记忆（Memory） ： Agent 需要一套能模拟人类复杂的长短期记忆结合能力的 Infra。 第三个组件是工具（Tools）。包括简单的搜索，也包括复杂的支付、自动化后端开发等。最后，当 Agent 能力再强一些，一个重要的机会就是 Agent 安全（Agent Security）。 广密： Agent Infra 非常重要。我们可以以终为始地想，三年后，当几万亿的 Agent 在数字世界里执行任务，那 Infra 的需求就太大了，这将重构整个云计算和数字化世界。 但今天我们还不知道什么样的 Agent 能做大，它到底需要什么样的 Infra。所以现在对创业者是一个非常好的窗口期，可以和那些做得好的 Agent 公司共同设计（co design）和共创 Infra 工具。 我觉得今天最重要的，第一是虚拟机，第二是工具。 比如未来的 Agent 搜索肯定和人的搜索不一样，会产生天量的机器搜索需求。现在全网人类的搜索每天可能 200 亿次，未来机器搜索可能是几千亿甚至上万亿次。这种搜索不需要给人类做排序优化，可能一个大的数据库就够了，这里有很大的成本优化和创业机会。 08 . Agent 进化的关键里程碑 张鹏： Agent 始终绕不开模型，站在今天，你觉得模型技术在过去两年里走过了哪些关键的台阶？ 广密： 我觉得关键的里程碑可能就两个。一个是 GPT 4 代表的 Scaling Law 范式，即在预训练阶段，扩大规模仍然是有效的，它能带来通用的泛化能力。 第二个大的里程碑是 O 系列模型所代表的“模型会思考”的范式。它通过更长的思考时间（思维链），显著提升了推理能力。 我觉得这两个范式是今天 AGI 的左膀右臂。在这个基础上，Scaling Law 远远没有停止，思考模式也会继续。比如，在多模态下可以继续 Scaling，也可以把 O 系列的思考能力加到多模态上，这样多模态就能有更长的推理能力，生成的可控性和一致性就会变得非常好。 我自己的感觉是，未来两年可能比过去两年进步要更快。 今天可能正处在一个全球几千名顶尖 AI 科学家，共同推动人类科技文艺复兴的状态 ， 资源充足，平台也具备了，很多地方都可能出现突破。 张鹏： 你会比较期待接下来一两年，在 AI 领域看到哪些技术台阶的实现和跳跃？ Cage： 第一个是多模态。现在多模态的理解和生成还是比较零散的，未来一定会走向大一统，即理解和生成一体化。这会极大地打开产品的想象力。 第二个是自主学习。我很喜欢 Richard Sutton（强化学习之父）提出的“经验的时代”（the era of experience）这个概念，即 AI 通过在线执行任务的体验来提升自己的能力。这在以前是看不到影子的，因为没有基座的世界知识。但从今年开始往后，这会是一个持续发生的事情。 第三个是记忆。如果模型真的能在产品和技术层面把 Agent 的记忆做好，带来的突破会非常大。产品的粘性才真正出现。 我感觉 GPT 4o 开始有记忆的那一刻，我才真正对 ChatGPT 这款应用产生了粘性。 最后是新交互。会不会有不再是文字输入框的新交互？因为打字这个门槛其实挺高的。未来会不会有更符合人类直觉和本能的交互方式？比如，我有一个永远在线（Always on）的 AI 产品，它在后台不断地听我说话、异步思考，在我灵感迸发的那一刻，能捕捉到关键的上下文。我觉得这些都是我比较期待的。 张鹏： 确实，今天我们面临的挑战和机遇并存。一方面，我们不能被技术发展的速度拉爆，要保持持续的关注。另一方面， 今天的 AI 产品正在从“工具”走向“关系”。人不会和工具建立关系，但会和一个有记忆、懂你、能与你心有灵犀的 AI 建立关系。 这种关系本质上就是习惯和惯性，这也是未来重要的壁垒。 排版：范诗翎 🔗 原文链接： https://mp.weixin.qq.com/s/O9gOT32Y... https://mp.weixin.qq.com/s/O9gOT32Y... 海外独角兽2025年06月14日 20:01 广东 以下文章来源于极客公园 ，作者Moonshot 内容整理：极客公园 本期内容是极客公园创始人张鹏和拾象 CEO 李广密、AI Research Lead 钟凯祺的对话。 2025 年是 Agent 按下加速键的一年，然而在这股热潮背后，真正实现用户价值闭环的产品却凤毛麟角，许多项目陷入了“以旧需求套用新技术”的焦虑之中：Agent 是范式重构还是技术包装？通用 vs 垂直，谁能走出可持续路径？所谓“新入口”，是交互进化还是旧逻辑重演？ 我们认为，Agent 的真正门槛，或许不在模型能力，而在基础设施。从记忆系统、上下文感知，到工具调用和可控环境，每个模块的缺失，都是 Agent 走向实用的阻碍。本次对话探讨了 Agent 的产品路径、技术挑战、商业模式等多个热点话题，详细拆解了当下 Agent 的真问题与真机会： • 做得好的通用 Agent 都是模型即 Agent（Model as Agent）； • 做 Agent 不一定一开始就要做完全自动化的 Agent，可以先从 Copilot 做起，并在这个过程中收集用户数据、做好用户体验、占领用户心智，然后慢慢地转型； • AGI 有可能最先在 Coding 实现，Coding 是衡量 AGI 最关键的先验指标，有可能拿走整个大模型产业阶段性 90% 的价值； • AI Native 产品需要内建一套同时服务于 AI 和人类的双向机制； • 一个好的 Agent 需要有可验证的反馈机制，能构建数据飞轮，实现强化学习和持续迭代； • Agent 商业模式 正在从按 token 或调用次数计费，演进到按结果、工作流计费，未来甚至可以实现直接雇佣 Agent； Agent 商业模式 • 未来或许是人与 Agent、Agent 与 Agent 的异步协同，这背后需要全新的交互方式与基础设施的支撑。 …… 💡 目录 💡 01 通用 Agent 是大模型公司主战场 02 Cursor 是从 Copilot 发展到 Agent 03 Coding 是衡量 AGI 最关键的先验指标 04 做一个好的 Agent 需要什么条件？ 05 Agent 定价会从基于成本转向基于价值 06 人与 Agent 该如何交互协作？ 07 Agent 爆发离不开 Infra 08 Agent 进化的关键里程碑 01 . 通用 Agent 是大模型公司主战场 张鹏： 在过去一段时间，所有人都在讨论 Agent，认为这可能是现阶段的一个重要议题，也是创业公司的难得发展机会。拾象科技对 Agent 体系做了比较深入的研究，也体验和分析了很多相关产品。最近哪些 Agent 相关的产品给你们留下了比较深刻的印象？为什么？ 广密： 我自己印象最深的是两个：一个是 Anthropic 的 Claude 在编程能力上的表现，另一个是 OpenAI ChatGPT 的 Deep Research 功能。 Claude 主要是编程能力。我有一个观点： 编程（Coding）是衡量 AGI 最关键的先验指标。 如果 AI 不能规模化、端到端地进行软件应用开发，那么在其他领域的进展也会比较慢。我们必须先在 Coding 这个环境下实现很强的 ASI（Artificial Superintelligence），其他领域才可能加速。或者说，我们先在数字环境下实现 AGI，再拓展到其他领域。 Deep Research 对我自己的帮助非常大，我几乎每天都在用。它其实就是一个搜索 Agent，帮我检索了大量的网页和资料，体验很好，极大地拓展了我的研究空间。 Cage： 我可以介绍一下我平时观察和使用 Agents 的思维模型，然后在每个分类下介绍一两个代表性产品。 首先，大家经常会问：通用 Agent 还是垂直 Agent？ 我们认为通用 Agent 领域做得最好的是模型即 Agent（Model as Agent）。 比如 OpenAI 的 Deep Research，以及 OpenAI 新发布的 o3 模型，它其实就是一个标准的模型即 Agent的范例。 它把 Agent 的所有组件——大语言模型（LLM）、上下文（Context）、工具使用（Tool Use）和环境（Environment）——全都缝合到了一起，并进行了端到端的强化学习训练。训练之后的结果就是，各类 Agent 执行信息检索的任务它都能完成。 所以我的一个暴论是：通用 Agent 的需求基本上就是信息检索和轻度代码编写这两类，而 GPT 4o 已经完成得非常好了。因此， 通用 Agent 市场基本上是大模型公司的主战场，创业公司很难仅仅服务于通用需求来做大。 让我印象比较深刻的创业公司基本都聚焦在垂直（Vertical）领域。 先说 ToB 的垂直领域，这个领域可以 类比人的工作，分为前台工作和后台工作 。 后台工作的特点是重复性强、对高并发要求高，通常有一条很长的 SOP（Standard Operating Procedure），其中很多任务非常适合 AI Agent 去一对一地执行，并且适合在比较大的探索空间里进行强化学习。这里比较有代表性的，我想分享的是一些面向 AI for Science 的创业公司，他们做的是 Multi agent system（多智能体系统）。 在这个系统里，各种科研任务都包含在内，比如文献检索、实验规划、预测前沿进展以及数据分析等。它的特点是，不再是像 Deep Research 那样的单个 Agent，而是一个非常复杂的、能针对科研系统做到更高分辨率的系统。它有一个很有意思的功能叫 Contradiction Finding，可以处理对抗性的任务，例如发现两篇顶级期刊论文之间的矛盾之处。这代表了研究型 Agent 里一种非常有意思的范式。 前台工作很多时候是和人打交道，需要做外联，目前比较适合的是语音 Agent，例如医疗领域的护士电话回访、招聘、物流沟通等。 这里我想分享一家叫 HappyRobot 的公司，他们找到了一个听起来很小的场景，专