哈喽，大家好，欢迎收听《硅谷101》，我是泓君。如果说2025年是Agent的元年，2026年行业有一个有意思的变化：市场从开始讨论模型的能力，变成越来越多地去讨论Agent的工程问题。这是一个从关注科研到关注工程的转向。曾经疯狂带头烧Token的硅谷公司们，现在看起来也是慢慢地冷静下来了：Uber四个月烧穿了全年的AI预算；Meta计划限制员工的Token消耗量。与此同时，中国有一批开源模型——DeepSeek、GLM、Kimi，它们的模型能力越来越逼近第一梯队。现在硅谷的公司们也开始把它们搭进了自己的工作流。所以我们有一个问题：最大化Token的消耗，无脑去使用最强的模型，还是市场的最优解吗？这集我们就来聊一聊从Token Maxing到Token Efficient，这背后正在发生的整个Agent工作范式的变革。
今天跟我在一起的两位嘉宾是黄东旭和张宏江老师。东旭是Llama Ventures的合伙人，也是PingCAP的联合创始人和CTO。哈喽，东旭你好！大家好。还有一位是张宏江老师，宏江老师是Llama Ventures的高级技术合伙人，现在也是美国国家工程院的外籍院士。同时宏江老师也是微软亚洲研究院创始成员之一，北京智源人工智能研究院的创始人，以及前金山CEO。宏江老师，非常荣幸您能来做客我们的播客！谢谢，非常高兴有机会跟大家见面。在开始的时候，大家要不要简单先介绍一下自己？
好，我是东旭。我是PingCAP这边的CTO跟co-founder（联合创始人）。最近有个新的身份，就是Llama Ventures的合伙人。自我的定位肯定还是一个工程师：大家都知道Harness和Agent coding，我也是第一时间在去拥抱；第二，我是一个创业者，一直以来从0到1在基础软件行业。其实PingCAP和TiDB是一个分布式的数据库，也是从北京开始起步，慢慢地客户都遍及全球。我觉得第三个身份就是：因为我是一个好奇心比较重的人，很喜欢自己去做一些东西，比如说像音乐、比如像一些艺术。反正这是我几个的身份。因为今天我们要讲Token这个话题，我觉得请东旭来我们的播客，主要就是一个：你是真正地在玩Agent的人，然后一直在用、一直在搭程序的人。所以我觉得应该会有很多一线实战的经验给大家分享。
我也一句话介绍一下我心目中的宏江老师：好，可以。其实我人生的第一份工作就是在微软亚洲研究院，当时我还是一个实习生。当时宏江老师正好在亚研院处于工程院刚成立的那个时间，是我心目中的大科学家。所以现在非常荣幸能够在Llama Ventures里边再续前缘。宏江老师，大家好！我是张宏江。我的状态现在是一种退休的状态。在两年前的话，大家看到了这一波AI所推动的新技术浪潮中间，而华人在里面起了一个非常关键的作用。尤其是在大的Lab里面，无论是OpenAI还是Anthropic、还是Google，至少在技术上这些人都是骨干甚至挑大梁的人。同时我们也看到这一波创业的浪潮里面其实华人的比例也非常高，无论是从大陆过来的在这上学毕业的、然后在大厂工作的，还是说就在这长大的二代三代的华人创业的人都很多。
尤其是对于原来背景在大陆的到这来留学的华人来说的话，其实他们作为第一代移民他们在创业的中间会有各种各样的困难。其中一个很大的困难实际上就是能不能得到他们所需要的资金。所以在两年多之前的话，我正好碰到了Llama的一个机会，希望能够以顾问的方式来跟Llama的团队一起来做这件事。我之前的话从最早做研究在新加坡做研究、在美国做研究，然后回到中国跟开复等大家一起创建微软亚洲研究院。从研究院做基础研究做到工程院做产品的研发，然后到了出来做金山的CEO。从金山退休以后又做了一系列的顾问角色，后来创建了北京智源人工智能研究院。这中间还另外花了很大的工夫做源码资本的投资合伙人。我整个职业生涯中学到了很多也有很多的经验和教训，也希望能够在美国这块和所有的创业者一起来分享能够帮着大家在这一波技术革命的浪潮中间寻找到自己的机会。
因为我觉得AI这一波它肯定是一个实实在在的对于生产力的提高，但是因为现在大家基建的投资也很迅猛。包括我们今天这一集马上会跟大家聊的Token Maxing的策略，大家也在疯狂地烧Token。您觉得现在在整个大市场里面它是有一定泡沫存在的成分吗？还是说您觉得它现在的基础建设是远远不够的？去年的12月份我在另外一个采访里面这就是一个问题，我当时就说没有泡沫。2024年年底的时候大家怀疑Scaling Law是不是撞了墙、大家怀疑是不是过度投资，但事实上我们今天看的话其实远远没有达到我们所面临的。
这是一个fundamental的革命。你可以跟互联网最早的基建开始相比，你可以跟当时美国快速发展的时候建设铁路网和公路网来相比。今天你从绝对数是超过它们毫无疑问，但事实上你从占GDP的比例来说其实比那些都小。即使从宏观的角度来说也远远没有到所谓的过度投资。另外一点就是其实你看Token是很贵，但Token的消耗量的话其实增长得非常快。还有一点大家忘掉了：其实Token的价格在过去的几年一直每年降10倍这样的速度，无论是英伟达芯片的进展还是其他方面的进展。所以我依然会非常有信心我不觉得是存在太大的泡沫，当然你说股票市场是不是存在泡沫那是另外回事。但是技术的发展、应用的发展我不觉得存在什么泡沫。
也正是因为这一次革命它的浪潮是如此之大而且如此迅猛，其实很多潜在的用户也包括很多的大企业他们有一些不知所措。无论是说他一开始就放开用Token让大家去试，还是说突然发现Token量可能超过他当初的想象然后开始往回缩。这是一个很自然的过程，因为AI的能力如此之强大到底先把它用在公司里面的哪个环节、先去提高公司哪方面的效率实际上还是个探索的过程。但是因为速度来得如此之快所以有时候大家会觉得有点不知所措。对，东旭你有补充的吗？我看他刚刚在说没有泡沫的时候东旭立刻比了一个大拇指。
是的，我也是完全认同这个观点。今天我们去看待AI这波基建就跟我们可能上世纪五六十年代去看待计算机刚诞生出来的一个房间的电子管好大好贵。但是你想象那个时候还没有个人计算机，有很多的需求其实是有充分的基建了以后才会诞生出来。而且这些新的需求诞生出来又会刺激更多的基础的建设或者说一些更新的基建技术的出现。所以我觉得还远着呢还有很多事情可以做。第二从一些微观的就工程哪怕是今天的架构上来看，我觉得还有很多事情是可以去优化的。比如说今天在模型的推理、Agent框架对Token的高效使用上其实还有很多的优化空间，只是说因为今天的需求和大家看到这个市场的预期：说我们先发散不要顾及我花多少Token先看看有没有哪些事情低垂的果实能够摘回来，之后再去考虑优化的事情。所以短期可能会有一个小的回落但是从长期来看仍然是有大量的需求还没被人看见。
对，我们今天录这期播客的时间是在2026年的7月4号。我觉得正好也是在一个市场的转折点上，就像刚刚宏江老师您提到的最开始大家发现这波AI浪潮来的时候像Jensen黄他其实就在GTC上说：我要求我的每一个工程师你们都要烧很多的Token账单。包括Meta它有一个Token的排行榜看哪些员工烧的Token多。所以我觉得在过去的8个月里面可以说整个硅谷用AI的策略我们可以叫做Token Maxing，就是最大化地使用Token、最大化地看大家能把Agent用到一个什么样的程度。但是到今天来说其实我觉得现在这个市场大家又开始有一点点转折了：就比如说Uber它给员工发的Token额度后来又因为成本收回去了，他们基本上4个月把整个全年的预算烧穿了。
我前几天去Stripe跟他们负责AI落地的人聊，他们给我看内部的大模型上面就写着Opus 4.8很贵大家用的时候可以省一下成本先用其他的模型不是所有的任务都要用这个模型。就是你打开那个页面那个页面一下就弹出来了这样的一个提醒。所以我觉得今天我们聊的这个时间点很好：怎么样更加经济地使用Token？而且我觉得这个背后可能也包含着一系列Agent的变革。因为东旭其实你一直在玩AI Agent，你有没有经历过这种一段时间的反正我就无脑使用我用最强的模型？那个时候你有没有一个账单爆掉的时刻？
其实当然有。我先说一下我Token Maxing的历史，虽然我现在可能并不是Token Maxing的流派了已经。我就像你刚才说的这种属于无脑用最强，也不要说去花太多时间在一个不太行的模型上去做很复杂的工作流。相信模型的能力，我是大概从去年的11月份开始我其实做了几件事情：第一就是我开始在用Opus从0到1构建一个我能想到最复杂的软件。因为我一直做数据库的尤其是分布式数据库其实是最复杂的一种系统软件，我想看看当时的AI对于这样复杂的大系统来说它的边界在哪。所以在这种最复杂的任务上我其实没有办法很精确地评估最强的模型跟第二强的模型的差别是什么。所以对于你来说最好的策略就是永远选最好的模型，我觉得现在今天仍然有同样的问题：大家对于模型能力的评估基本上只能看benchmark。但大家知道Benchmark其实是很多时候你是能刷榜的，当你在做一些不太确定但是你又知道这件事情非常难的时候你一定得用最强的模型。
这是我之前大概刚才我说到一个时间点就去年11月份，那个时候像Opus跟GPT-5.1它们对于第二档coding的Agent是断崖式的领先。开源模型基本处于做一些简单的1+1等于2的事情可能还行，但是你真的要去做一些复杂软件的编程、大项目的改进那时候是完全不行的。所以Token Maxing我觉得那个时候是一个好的策略，但这个策略我觉得后来在社区里面大家都把它误解了。我觉得Token Maxing是一个结果它有点像一个滞后指标，但要经过思考地去Token Maxing你能产出一个很好的结果。但是像刚才你提到的很多今天的大公司包括Jensen黄说大家一定要疯狂地用、疯狂地用，我觉得有两种疯狂的用法：一种是你知道你在干什么你很好地设计然后疯狂地用；另外一种是你不知道你在干什么只是觉得公司有个排行榜我必须得把它刷到榜单第一。于是就出现了很多无效的调用，因为我觉得尤其在大公司里边只要领导提出要追求一个榜一定大家会去刷这个榜。
这是我Meta和NVIDIA去提Token Maxing的时候第一秒钟我就想到会出现的一个问题，今天我觉得又有点不太一样。您刚刚提到了去年11月份你是在用最强的Agent去完成一个我能想到的最复杂的软件，对。那个时候你的账单大概是一个什么样的情况可以透露吗？当时我一天可能得花掉四五百美金。对，而且这个一天四五百美金还是在我已经用了Claude Code Pro Max订阅的情况下再加200美金。对，再往上再加因为它有一个量每日的量和每周它有一个limit（限额），我用完了你就得再自己掏钱去买extra usage（超额用量）。所以当时我用得还挺疯狂的。
帮你提升了多少效率？我觉得是不计其数的，钱花得值我觉得超值。我举个例子就很多时候一件事情是从0到1比如说有些事情我觉得我肯定做不出来但是用上最强的AI以后它能让我做出来了。你说它的ROI是什么？比如说像我做的那个软件我在我的公司内部其实我们的销售期待那个软件已经期待了很长时间，我确定如果我这个东西做出来质量做到七八十分一年可能就能多1000万美金的直接的收入因为我的客户就在那等着。只是以前我受限于人力技术的水平我做不出来，但今天我一个人三个月我就做出来了：一个人、三个月差不多做了一个可以销售额达到千万美金的软件。
千万美金级别的东西？是的，这个我觉得是完全可能的今天你要这么算你的ROI其实非常高的。这是一个真实的例子那个项目叫db9是我新做的一个云原生的分布式数据库是从去年的11月份到今年的2月。其实严格来说是12月份到今年3月那差不多这个时候也是OpenClaw已经开始出来了，是的。后面OpenClaw有帮上忙吗？没有，对。
OpenClaw是另外一个故事它更像个人助理。最早的时候我不太想让OpenClaw来写代码因为其实OpenClaw的产品设计并不是对这种重度软件工程设计的。它更像是说去连接各种现实世界通过Agent的能力去操作比如说过去我们在工作和生活中的常用的一些流程它更像一个个人助理类的事情。好，所以其实后面OpenClaw真的出来的时候你反而觉得它在工作上没有帮你太大的忙？编程上没有，日常生活我觉得肯定是一个很好的东西。
当时我觉得它代表了一个信号：其实对于一些玩Agent玩了很久的比方从Claude Code开始的这一波弄潮儿像我这样的，其实OpenClaw的出现它其实只是说把Claude Code以及像Codex这些编程Agent代表的一个理念就是Agentic loop加上工具调用，把它变成了一个更general（通用的）对普通用户来说门槛更低的东西。相当于让它走进了千家万户。我觉得事实上Peter作为OpenClaw的作者他能够花一个礼拜就把OpenClaw做出来对于我来说最大的意义在于宣布了大模型的能力过了一个坎：它的推理能力如此之强、它的编程能力如此之强使得做一个架构师这种级别的有经验的工程师能够用它来很短时间内就能做出一个系统。包括刚才东旭所说的3个月他能够做出一个最复杂的分布式的数据库，这其实标志着大模型的能力跨过了一个坎就是真的可以落地应用了、真的可以开始提升效率了。大家可以真正地把聚焦从原来的大模型本身到大模型的运用这块包括编程、包括用它来做其他的系统。
再一个就是说我刚才强调Peter他作为一个架构师一个软件工程师而不是作为一个科学家，意味着其实你也未必再需要那么深入地懂大模型本身的机理你就能够去用它来做什么你想要做的系统。这标志着从研究进入工程、从模型进入Agent，这个总结特别好。你觉得是哪一版模型它的能力做的这样一个跨越？Claude的Opus 4.4、四点几就去年11月。4.5？对，4.5，去年11月份我是从GPT-5.4开始。
对我记得去年其实在OpenClaw出来的时候就是我遇到了蛮多的创始人他们会给《硅谷101》写信。他们会说像OpenClaw这样的Agent的产品我们也搭建了我也能写对，我也能写我们搭建了很多类似于这样子的Agent而且你可以测一测我们的效果不比它差。所以当时为什么是OpenClaw火了？我觉得很多事情你事后诸葛亮总是有道理的，但我可以从一个开源爱好者的角度去说一下：首先OpenClaw其实是一个开源软件。开源在今天天生更具有传播力，当你做一个Agent的时候如果你是个闭源的是个商业产品大家可能就觉得你这个是不是广告什么的。但如果是一个民主化的开源的软件每个人都可以去用一这时候它的传播尤其是在这种geek（极客）的圈子里我觉得一开始大家去看OpenClaw的传播其实都是在一些极客和一些工程师的小圈子然后慢慢地扩圈。
这帮人是对这种商业软件或者说闭源软件或者说平台的软件多少有一点点抵触心理。但如果这时候是一个完全开源而且大家有没有注意到OpenClaw一开始的理念叫local-first：我所有的这些隐私的东西我的数据我都要在本地给配好。当然我非常理解作为一个硬核开源工程师的Peter做出这些技术选择的原因因为这些选择完全是一个极客会做出的选择。而且极客这个圈子传播力我觉得还是挺强的有点像当年Linux的这种感觉。我自己当时看Peter的思想我看过他一些访谈，他有一个想法挺特别的：他说我其实是可以把我个人所有的东西……
所有无隐私地全部交给AI，因为正是因为他给AI开放的权限如此之广，所以他才说要把这些信息资料配置在本地是很重要的。然后我觉得还有一个临界点，是当时正好Claude它又升级了一下它的模型，就是那一版的模型智能。至少从我当时使用的感受来说，我觉得跟前几版的智能是天壤之别，然后会让我觉得效果很好。那个时间我觉得大概是2月份春节的时候，但其实作为一个工程师，其实在去年的11、12月份已经感受到这个浪潮了。
我记得Peter他自己也说，那时候他用Claude Vibe Coding，他一直觉得像OpenClaw这样东西现在准备好了可以做出来了，而且用户也会需要这个。但是他当时认为这是大公司一定会做的事情，他等了几个月说为什么大公司还没有做，所以他就把它hack出来了。是的，这个故事也说明了其实当大势准备好了之后的话，其实就需要一个人捅破一张纸。
而OpenClaw正好是捅破了这张纸。另外当时open source（开源）这件事，这个community（社群）很有意思，它一出来以后一周还是几天立马出了一个MoltBook。就相当于一个Agent的社交网络，或者是你的OpenClaw和我的OpenClaw在一个社交网络。这种爆发是如此迅速，然后中间发生的这些事情本身也是一个非常好的传播事件。
包括他们成立了几个教，很快就大家推选了几个先知，这本身也是让人们突然意识到Agent本身的能力真是达到了我们之前所想象的这种自主这样的能力。所以这个是我觉得OpenClaw之所以这么快速地传播、快速地进入到每个人视野的原因。另外从时间点上来说，大家用Chatbot这件事已经用了三年多，你只能交流而不能够让它来做事。
这个时候也是大家从Claude Code看到可以开始做一些事，OpenClaw出现正好让大家意识到说你的日常你在PC上做的事情、在手机上做的事情其实Agent基本上都能做。它有哪些不足呢？因为刚才其实宏江老师也提到了，Peter一个人Vibe Coding了一个礼拜出来的东西，他自己可能也完全没看过代码。其实很有意思，Peter是某一个时间应该是Anthropic他的个人Token消耗量据媒体报道他30天内的API使用金额高达130万美元。
你说他做了OpenClaw之前还是不是？之前就是他就之前就一直在玩、一直在玩这个东西做得很快。但是这个东西的质量其实没有精雕细琢，给极客用没问题，但是当你变成一个广大用户都在用的时候它各种配置的难度或者说它的系统稳定性就各种成问题。所以这是我觉得第一个问题，我觉得给我的启发是什么呢？今天很多人说随便任何一个人闭着眼睛就能Vibe Coding。
一开始我觉得OpenClaw这个例子可能好像也似乎说明了这个事情，但是后来慢慢地这个软件做得越来越深你就会发现好的一个软件工程的习惯和经验还是非常重要的。当你的这个软件的复杂性超过一个临界点以后你要去花更多的精力在去提升体验和提升稳定性的时候，我觉得非常senior（资深）的研发团队还是非常必要的。
第二个不足我个人觉得还是起得太早了，我觉得它更像一个实验性的项目可能Peter一开始也没有想到它会做得如此爆款。但今天大家可能也看到现在OpenAI自己的Agent上的精力也慢慢从OpenClaw这个开源的项目、实验性的项目转到了它自己的Codex上面。所以我觉得这种持续的资源投入可能也会成问题，所以到最后我觉得跟它的DNA是非常相关的它就是一个极客圈子里边自己玩的一个原型。
所以我觉得它的终局可能天花板也就是这样了，而且现在它其实有点像扮演一个普罗米修斯的角色把这样的产品形态、这样的产品能力让世人知道了，它的历史使命可能就完成了。所以你觉得它可能也很难爆火跟持续地走下去，它现在基本上也是在靠它的基金会在运转。因为创始人Peter他已经是去OpenAI了。
因为在OpenClaw出来以后有一段时间里我身边还挺多人都在玩的，我看大家提的觉得最不好用的一个点就是你怎么让它记住你过往的历史偏好？然后你怎么让它有一个更好的记忆功能？因为如果你用得越多你就会发现它老忘事。Compaction（对话压缩）当你不去做记忆储存的时候它会不停地回滚，这一个是特别的消耗Token它也会带来很多记忆的混乱。
这个情况下我看还出现了之后爆火的一个Agent叫做Hermes，它其实是一个Web3的机构叫Nous Research来做的。东旭你应该也是用过这个Agent，我是Hermes的重度用户其实在Hermes出来以后我很快就从OpenClaw切到Hermes了。刚才你提到的memory这个点现在仍然是一个open question（尚无定论）并没有说谁家就解决得非常好而且大家也都在尝试各种各样的记忆就是做旁路记忆的方式。
只能说今天肯定比当时2月份的时候OpenClaw出来老是忘事的情况要好很多，但是仍然我并不觉得它是一个完美地去解决记忆问题（的方法），今天我觉得还没到这个阶段。Hermes我觉得它的亮点是另外一个亮点，它其实很巧妙地绕开了记忆的问题。它并不是说记忆模块设计得多么出彩而是它在它的Agent的框架里边有一个很强的倾向去不停地总结成功经验。
总结成skill其实是小龙虾（OpenClaw）的Agent Loop里边它缺少一个反思的过程，它的反思是比较少。你除非主动地要小龙虾说你把前面做成功的这个你给我整理成一个skill之类的，但是Hermes引入了很多类似的机制它就能够持续地优化自己。你用着用着用一段时间就发现它长出了很多最佳实践都是以前你自己做过的这些最佳实践变成一个skill然后记下来了。
我觉得这是它的一个亮点，虽然它可能在广告里提这个世界上第一个自我改进的Agent或者说会自我学习这些都是市场营销的词。但是我们看到本质它其实就是用模型的能力加上一些工程化的手段总结成功经验去把这些能力变成可以复用的一个个skill。可不可以理解成它的运营很强？因为它会沉淀成各种skill，对我觉得这是个工程问题它跟模型本身的能力我觉得并不相关。
它只是说我在这个里边我发现每一次成功了以后我就尽量地做个梦或者说我去把前面的经验我自己再总结一下，就有点像一个更好的学习习惯。但它另外一点我觉得做得非常好因为刚才说到OpenClaw的代码质量和稳定性其实挺成问题的，Hermes显然是经过精心设计的一个软件架构。因为OpenClaw我觉得更像一个大集市每个人有什么想法直接往里面提交，Peter也是非常开放的谁有什么想法直接合了我代码也不看了Agent说没问题就行了。
Hermes会稍微好一些它其实还是由那个团队精心在打磨的一个东西，所以你的onboarding（上手流程体验）各方面稳定性都会比OpenClaw更好。Hermes怎么赚钱？它们的商业模式是啥？我觉得今天你有足够的用户量能够帮不同的模型厂商带Token的消耗你的商业模式简直不要太多。比如说哪几种？
比如说我举个例子在Hermes里面我可能跟某一个模型厂商去谈一个渠道，我这边能够帮助你去消耗更多的更低的折扣拿到Token。对更低的折扣拿到Token其实在这里面它充当一个入口，入口是很重要的所以哪怕今天我觉得做Agent本身就像刚才宏江老师说的今天已经成为了一个工程问题其实谁都能做但是最后发现这个入口会变成兵家必争之地。
所以本质上它的商业模式还是Token经济学，我觉得是的今天看到是的但是未来我觉得可能会有更新的、更新的比如说用户付费各种。对，用户付费增值服务Agent互联网社交Agent互联网是的但这些都是我们现在今天想象它有一点像移动互联网时代爆火的超级应用。对甚至更极端点往下推演的话它也许会变成唯一的应用因为未来可能每个人跟数字世界打交道的入口可能就没有APP了。
你想象一下今天小龙虾出来以后我再也没打开过我的Gmail我都是每天让我的OpenClaw来说我这个几个小时有哪些新的邮件哪些需要回的。如果有一些广告的字帮我删了这个就是你怎么去判断重要的邮件怎么回复以及需要你个人信息的邮件怎么回复。但我不能代表所有人，但我是一个智能原教旨主义者我相信比如说一个Opus 4.8它判断这封邮件是重要的邮件对我自己来判断大概率也是重要的邮件。
你相信它我相信它有判断错吗？会有一些时候它判断错但它至少说都能告诉我不确定的时候把这个它会直接告诉你说我不确定，直接告诉你有几个邮件它看起来像一个广告但是我现在不确定你来再做最终的判断。不仅是邮件比如像你订阅了很多那种邮件组经常会给你发文章什么Hacker News什么这些你有没有发现最近你越来越多地开始依赖Agent作为入口去消化这些信息而不是再跑到《纽约时报》或者说跑到Hacker News上去一篇篇地去看文章。
它会给你总结还是它会给你一个全文？我现在一般是先扫一遍总结如果我看到感兴趣的然后我再点到它的原文里面再去看。所以它变成了一个类似于有一点像新闻集合的这样的一个APP一个总结，是的我觉得这个对媒体行业的冲击很大。那是这个已经发生了好久了这就有点像新形态的今日头条只是说它不光是帮你读新闻帮你读Email帮你读所有的发给你的东西。
而且你想象一下像你的个人Agent是拥有你所有footprint（足迹）的：你的记忆、你的浏览记录、你的偏好。这些偏好又会持续地之前像OpenClaw有一个社区里面有个词我觉得用得特别好叫“养龙虾”。“养”这个东西就是说你会不停地去迭代让它更理解你。所以我觉得这里面颠覆的是可能传统这些媒体的推荐系统什么的，推荐系统它只能说我根据大的数据或者说整个社会的一些trend（趋势）这个模型训练出来一个推荐算法。
但我觉得真正终极的推荐算法就是在你本地、在你旁边坐着的一个观察着你生活在数字世界的甚至物理世界的所有event（事件）同时它是一个智能。我用过一段时间让OpenClaw帮我精选一些新闻我觉得我最终没有用的一个核心原因还是它给我的东西太浅了。我觉得很多东西我还是要看到一手的新闻跟我更愿意读更少的文章但是更深度的文章，但是我觉得还有一点它帮你回邮件的时候。
因为邮箱信息里面其实涉及到很多简单的信息是很好用Agent回的，但是最难的是涉及到你要做决策的时候。比如说今天我约了你来录我的播客你要自己去想我录不录、我什么时间录、我的开放时间窗口是什么这些需要决策的事情我肯定不会让它完全去做决策而是需要让我决策的时候让我知道只是说我在用我的Agent当一个过滤器。
之后我看你又有过一次迁移的心路历程，你转到了Slock它是Kimi CLI的负责人钱宇超创立的对RC。这是一个什么样的Agent？很有意思，首先我是Slock的第一个天使投资人也是它最早期的用户之一。Slock现在改名叫Raft了但是为了大家理解方便我还继续用Slock这个名字。大家肯定用过Slack是吧？Slack是大家在一个会议室里一个频道里边然后互相讨论聊天的一个平台。
Slock顾名思义把这个想法平移到了Agent上面，它的产品形态可能也像是一个聊天室但是里边在聊天的都是Agent。然后这些Agent互相不分享自己的运行上下文它们唯一分享的是聊天频道里边的信息，这个跟MoltBook其实是有一点像的。有一点点像、有一点点异曲同工之妙，我觉得MoltBook更像一个社会学实验但这里面Somehow（总归）这个模式是有用的。
只是说它作为一个MoltBook的这种实验大家就很容易被它的行为艺术的方面忽略掉它有用的那一部分。有用的部分就是我就在一个小范围内针对某一个话题Agent之间的讨论，虽然可能百分之八九十的时候都是在车轱辘话但我觉得Agent有一个好处尤其是智商比较高的模型它没有ego（自我）。所以当某一个瞬间、某一个Agent提出了一个大家没有看到的想法的时候大家马上就会发现你说得有道理。
于是这条重要的信息就会再次触发这些Agent的讨论，举个例子我经常会用Slock去做一些复杂软件项目的代码审查。就是说这段代码提交你不要说通过了就合并了，比如说10个Agent里面有一些是Claude Code有些是Codex然后都是顶级模型大家都充当给这段代码挑刺。有些人可能简单看了看说我看了3个刺下面一个人说我也看了前面那3个刺我也认同但是我又发现了个新的。
然后你就发现上面那个看出3个问题的说哥们你说得有道理我在这个角度上我再继续看一看，这么持续地迭代可能Token Maxing一下你就会发现它会比单个模型在One-shot上去review这份代码挑出来的问题和改进的深度是完全不一样的。它唯一付出的代价就是可能我的Token消耗量是普通的10倍，这个就是为什么我刚才说我有一段时间真的是Token消耗量非常大。
最大的时候有多少？就像刚才我说的一天大概是10亿的Token消耗量对应的账单是这对应的账单大概三四百美金。我当时用法就是这么用的同一件事情并不是说Agent干完就干完了而是任何关键的决策之前都要让Agent通过这种方式不停地在一个群里讨论。我会强制要求它做完这几轮讨论虽然我也不看它的结论但是我相信你只要Token在这个正确的事情上消耗到一定的程度。
当然我有个终止的条件当你们谁都挑不出更多的毛病的时候你就停下，我觉得Slock它们团队发明了一个很有意思的词叫做“Agent动力学”。平时大家经常会发现让Agent持续很长时间运行是一个挺难的事情，其实我觉得今天所有的不管是Harness也好还是Loop Engineer也好他其实就在优化一件事情怎么能让一个Agent在一个特定任务上持续不停地干活。
持续不停干活的，是的你能说Slock就找到了一个大家一起七嘴八舌讨论的方式让它持续干活？Loop Engineer也是每次它要停下来的时候强行抽自己一鞭子然后再回头去review。Harness就是说把多个工作流搞得越来越复杂最终的效果就是大家能持续长期地干活，为什么需要时间长呢？因为有时候模型虽然今天很聪明但是它One-Shot的时候仍然还是会有一些幻觉或者说在一些小的点上考虑得没有那么周全。
这时候你再进入一次迭代它就能看到以前看不好的东西，我觉得这跟人类社会多少有点像的。比如说小时候我们做作业做完作业了以后父母总是说你再重新算一遍看看有没有什么问题，然后有时候你就发现我第一遍的时候确实马虎了。所以我听下来你现在使用Agent已经有一个过渡了，从自己搭建Agent框架到OpenClaw、到Hermes、到Slock。
从使用单个的Agent到使用到了一个Agent的群组然后让这些Agent相互检查，同时比如说我们一次让Agent读个邮件它可能一会就做完了以它的能力来说。但是我们让它持续不停地工作你这个事情干完了以后你还得马上去干下一个甚至在干下一个的时候你得不停地给自己挑错看看你这个里面是不是做得足够好。有这样的一个过程这个是终点吗？不是终点，我曾经觉得这是终点。
刚才跟你说的这些认知可能是大概今年三四月份时候的认知过了三个月又迭代了、又迭代了。我觉得最核心的变化有两个关键一个是GPT-5.5还有另外一个是DeepSeek V4的发布，最近的一个事件是Fable 5。这三个事件我分别说一下对我刚才说的那种Token Maxing的认知发生了一个巨大的改变开始要转向Token-efficient了。对是的我就从Fable 5开始说起我觉得GPT-5.5是有点类似的。
Fable 5的模型强大到因为刚才其实我说的这种把多个Agent放在一起讨论有一个前提就是你不相信任何一个Agent。
在One-Shot的成功率上，你一次让它干一个活，一复杂它就干不出来；或者说调用链路比较长的时候，它会顾此失彼，经常会有这种问题。所以你就需要多个人，“三个臭皮匠”凑在一起，让最终结果有个兜底；或者说大家多次讨论，充分地利用好自己的上下文空间。但是Fable 5强到这些人讨论了半天、讨论不出来的东西，可能在Fable 5的绝对智商面前一次就解决了。所以这时候你就会发现，我前面烧了10亿Token，在Fable 5这边非常精准地一次搞定了。
所以绝对的智商碾压，而且它还没有之前的上下文——“它还没有之前的上下文”，我就直接说有一个很复杂的bug，或者想做一个很大的功能。那边他们已经讨论得不想再讨论了，但是还是做不出来。这是不是证明只要模型的智力足够强，它真的是一个人可以干掉一整个互相验证的Agent团队？我觉得这是yes and no。Yes是说在一些单点的复杂问题上，哪怕是很充分的Harness也会遇到一些搞不定的事情；这时候你还是能期待一个更强的模型在这种专家级的“地狱”难度的问题上，它还是能搞定的。
第二个就是DeepSeek V4的出现，我发现它的能力已经强到了开源模型非常实用的状态。以前我是不相信开源模型的，尤其在我一些主要的复杂软件开发工作中，我不信任开源模型；但是DeepSeek V4开始我就发现这个东西的质量已经非常高了。最近很大的新闻是GLM-5.2，又把我对开源模型的认知往前推了一大步。智谱的这个……对，这标志着我可以用顶级的模型与这些便宜又很聪明的开源模型做协同。
这很像一个企业真正出现管理学了，是吧？你不可能说一个公司里边整个公司全都是像宏江老师这样的非常资深的专家，你仍然还需要很多像我这样能写code的工程师一起去协同。所以我觉得慢慢地头部模型跟开源模型的配合，这个是一个更经济的方式。
开源模型你是搭在本地都是本地的。你现在用的是V4还是智谱的GLM-5.2？在我自己本地运行的是DeepSeek V4的Flash，是在一台我的Mac Studio上去运行的。它其实可以在你家里的电脑上运行，大概能到30Token/s。这个速度其实已经跟你在网上用OpenAI的API什么的这些Chatbot速度已经差不多了，这是最近的一个认知的更新。
我可不可以理解成当你在本地搭了DeepSeek V4的模型以后，有一些任务你不用去调API接口了？然后你所有的消耗就是电费跟你的电脑折旧的费用，它其实也没多少钱。是，几乎在它完成的任务面前可以忽略不计。我觉得对，我看之前你有提到一天的电费可能就是在1美元左右？1美元，对；一个月可能二三十美金。
一个月二三十美元，而且这还是在满载的情况。我理解它搭建的就是一个初级员工的环境？我现在在用开源模型做两件事情：一个是大量的重复性的日常工作，比如说像我自己的文章记忆和数字足迹的整理，就是我自己的一个蒸馏；第二个事情就是其实有很多以前我不敢让Opus放开干的。
有时候我特别喜欢看论文，当然也看不过来；所以我就经常会说“今年CVPR所有的论文、NeurIPS所有论文，你先帮我总结一遍看哪些有意思的再给我汇报一下”。像这种一期可能有几百篇论文这样的规模的时候，你不可能用API或者说付费的去干——干不了太贵了。当时我就在自己的开源模型上跑一个工作流，让它持续在那跑着；我觉得会unlock非常多以前我不敢在付费的模型上做的事。
太贵了吗？太贵了，看一批论文可能得几百刀。对，但我觉得这是个心态上的变化并不是我掏不起这几百刀；而是会想着这个东西不受我控制。我懂，你不知道它会跑出多少的API、多少Token的价格？所以我觉得有一个很好的比喻就像宽带。
因为我觉得最后它可能顶级的闭源模型通过API的依然会存在，但是开源模型加上开源的硬件以及够用的开源模型也会产生一个非常大的生态。在宽带出来之前大家知道我第一次上网1997年还是拨号，它是花你电话费的；上网一分钟可能就是几分钱这样的。所以大家上网都是省着上？但省着上的时代一直我觉得到这种免费的宽带，包括现在手机上的大容量套餐才会去催生出很多像抖音、像视频会议各种各样这种新的应用出来，在那个时候肯定是不行的。
所以我觉得模型或者智能这件事情免费跟很低的费用它仍然是有天壤之别的？所以现在你把你的Agent一部分相当于在云端，然后一部分在本地做了DeepSeek V4 Flash的这样的一个本地模型的组合之后你的账单降到了多少？这我觉得是跟我的工作量变化也有关，那个项目已经过了代码非常疯狂堆积的阶段了。
我现在的账单也就一个月两三百美金了，就是一个正常的账单？一个月两三百美金那很便宜。这个跟订购一个Claude价格也差不多？就是订购Claude的价格，我相当于就是……就是Claude最高版本的价格。一个最高版本的Claude加上一个最高版本的Codex基本上套餐的钱我都用得满；但是我慢慢地从Opus我的主要模型现在变成了GPT-5.5和GPT-5.6以及Codex。
是因为Codex比较好用？对，我个人感觉比较好用；当然在一些最复杂任务的时候还是Fable 5非常惊艳。哪些算复杂任务？就像一个数据库里边“疑难杂症”，或者说有一些需要修改七八个模块同时提交五六千行代码要解决的一个很难的问题。反正我自己的一个标准就是当我在Slock里面的Agent开会解不了的问题我都会让你们现在别干了，给我写个报告为什么你解不了。
然后我就转身把这个报告发给Fable 5说“你看这是它们前面的问题”。它们还能写报告？那肯定，你只要要求它们写它肯定能写。我觉得这就是代表一种新的能力：其实做这些事情的时候我都完全不关注底下的代码，我其实就关注一些很有限的事情。细节我已经完全不关注了？就目标跟最后的执行结果——目标、验收，以及这个事情的架构应该怎么做。
然后中间的过程我其实是不停地在去调动不同的Agent、不同的能力让它们更好地协同？我觉得后来会变成这种Agent的管理学。对，所以现在这个是你的终局吗？还会有再一步的进化吗？肯定会有；现在进化到这个阶段了就是本地模型加上云端的模型一起搭配的Agent团队。
反正我过去这一年学到最大的事情就是千万别随便说什么叫终局；第二永远相信Scaling Law，永远相信智能。我至少还没有达到某一个点——这个点是说人类已经无法评估模型好坏了，我觉得今天还没到这个点。一个模型好跟坏你还能看得出来：Fable 5就肯定比DeepSeek要聪明；但是我相信不久的未来可能真的会出现到某一个时刻。
哪怕是开源模型你都没有办法评估它，因为它太强了以至于你问了任何问题、做了任何复杂的操作它都能干。那这时候它再强我们已经没有参考系了？我觉得这天其实是能看得见的。你觉得从你最大化使用Token到开始经济地使用Token这一套转变中，你预测未来像硅谷的这些大公司它们会多久把这个工作范式转过来？
我觉得现在正在发生了。所以Claude跟OpenAI它们每个月API的消耗量跟ARR，你觉得它还会是在一个持续的增长中吗？我觉得还会增长。这两个其实你不能完全放在一起类比，我们先说Agent为什么这么消耗Token。当然了大家也不要神化Agent，其实Agent从工程来说原理上还挺简单的：每一个Agent内部它都有一个类似像发动机一样的东西，我们叫做Agentic Loop。
它就是一个内部的循环；这个循环每一次都会在中间调用大语言模型去向它问问题或者说去对话。它本质上还是个对话机，只是说把这个对话的过程变成一个loop；然后这个对话第一、它的特点是它在对话里边去调用外部工具，然后把外部工具的输出变成这个对话流中的一个上下文；第二个特点就是它在复杂或者说长程任务下不一定会说两句话它就结束这个循环。
这个循环可能会运行几百步，这几百步中间又会有很多的工具调用；这些工具调用的输入跟输出又会变成大语言模型的上下文。这种pattern（范式）就导致了这个Agent它对于Token的消耗量比Chatbot时代可能涨了100倍都不止。虽然今天我觉得有很多人为的浪费，就比如Meta里边刷Token的榜可能你就跟Agent说“你帮我去算100万遍1+1”你也能够把这个榜刷得很夸张的。
但是只要这样的pattern（范式）是存在的或者说成立的，还会有更复杂的系统出现？我举个例子今天我们其实在聊Agent的时候刚才我说的这个架构只是单个Agent内部的架构，因为我觉得到最后其实可能是一个在面向更复杂的问题时候就需要多Agent的协同。这个协同又会变成一个更大的网络，这个网络之上又会有一个更抽象的loop？我觉得这种hierarchy（分层）的结构现在已经在出现了。
所以你觉得即使说我们现在找到一条本地化Agent尽可能地节省Token的量，只是说它是单点的问题我们把它解决得更好、解决得更好了？但是整体上它的消耗还是在持续地增长中。是的，因为这个里边有个软件工程的问题：我们今天其实可能看到的这些程序比如说我再类比一下计算机历史。
在早期的比如在家酿俱乐部里边那些计算机爱好者当时都在分享“我写了一个200行的BASIC程序，这个游戏很好玩大家share一下”；可能那时候的程序就是几张纸一个程序员几千行汇编代码可能就结束了。但今天我们去看一个Photoshop没有数千万级的代码对吧？所以我觉得今天我们的Agent的应用以及我们想要让Agent解决的问题还太简单了。
如果Agent的能力到达一定程度要去解决更复杂问题的时候它必然会出现一个Agent to Agent network以及Agent Harness软件工程出现，这时候它对Token的消耗又会上一个台阶。对，宏江老师怎么看？其实刚才东旭描述的这个现象在经济学里面叫做杰文斯悖论：当你的技术越来越成熟的话它的价格会变得越来越低，但是消耗量本身会变得越来越大。
所以这样的话它这个市场变得越来越大？未来开源模型闭源模型哪个能够走得更快或者哪个是在本地、哪个是在云上，这个我觉得更多的是一个生态里面的竞争。生态里面这种成熟今天还很难判断哪个最后能胜出？还是说你就需要一个Agent或者对于我们常人来说的话是需要一个工作的Agent、一个生活的Agent，还是说像东旭这样需要多个Agent来做事？
其实不同的人群还是不太一样。今天之所以包括在企业内部大部分的IT上了云，它一个很核心的一点其实对于一般人来说他们没法应对复杂的IT系统；一个公司它也很难养一个IT团队能够应对如此复杂的IT系统对吧？所以如果你将来再有很多Agent这样的话它可能也很难应对这么多Agent。
你说Agent自己去应对其他的Agent的庞大系统就是公司整个环境你要搭起来这个环境？当然你可能会把它交给更强大的Agent去做对吧？这个强大的Agent可能就在云上。我们做IT的人或者是做IT产业的人都会希望自己今天的产品未来会在这个生态的核心位上：比如如果你是做PC的、如果你是做小服务器的你就希望这个都是on-premise（本地部署）本身我可控；你是做云的你就希望是未来都在云上这样对于用户来说就变得transparent（流程可视）。
他就不需要考虑架构甚至不需要再考虑我要买一台Mac还是我要买一台戴尔的服务器还是我要买一台联想的小型服务器？下面的这种evolution（迭代进化）还有很大程度上是一些非纯技术的考虑。但有一点我是非常同意的：一个是单个整体的智能本身会变得越来越强，智能本身变强也会更加消耗Token对不对？对有可能是这样你会更加消耗Token。
但是Token的价格也会降得非常快，最终它不一定说它的ROI会受到太大影响？事实上它能做的事情会越来越多；它可能做这件事情消耗的Token可能也越来越多。但是另外一个角度刚才东旭也提到越来越高的智能使得Agent本身可能也不需要持续地去问大模型，所以它可能这种对话的频率也可能降下来对吧？
所以也许Token的消耗量可能不是那样的。未来一定是一些超级强的Agent和超级大的蜂群来做事情，这些群里面的每一个Agent也许它是特别擅长于某一些任务；或者也许它背后所用的模型可能比较专用、或者比较小、或者Token价格比较低。
也许另外一种它们都是由一两个非常powerful（功能强大）的大模型来驱动，这个还需要不断地evolve（迭代演进）。在这个层面上会有一些涌现的智能出现？对，会有一些涌现的智能出现。最近有一篇清华大学的文章就说到“三个臭皮匠是超过一个诸葛亮”：每一个Agent的能力它们能力的和可能是低于它们事实上作为一个Agent群它们所能够展现的智能能力。
它不是一个简单的和的关系而是它可以涌现出一个更强的智能，这也是我们对于Agent群的期待？对。因为刚刚我在跟东旭聊天的过程中其实他讲到了他搭建了一个Agent群然后让大家去发现一个问题互相之间都没有发现，最后在Fable 5出来的时候把这个问题可能是还没有那么多前情提要的情况下给Fable 5然后它解决了。
你觉得现在比如说我们刚刚一直在讨论模型能力的智力的碾压式的提升它可以强过蜂群吗？这其实是一个非常好的问题。你还要记住另外一点就是一个超级模型的出现智力不断往上scale，但是没有任何东西可以阻拦这些蜂群里面的每一个Agent它也利用这种智能了解。
就是只要模型的智能在往上提升，蜂群的智能也在往上提升、也在往上走？我举刚才一个例子那个修订假设这三个臭皮匠一直讨论不出来，但是我只要把Fable 5也放进来加入讨论它可能第一句话这些人马上就开窍了。就是刚才东旭说的涌现，所以他就可能涌现出insight（洞察）的概率会更高。
而且我非常认同宏江老师刚才说的那个观点：其实我觉得这个跟人类社会也是一样的，我不太相信说有一个绝对的中心这种其实太危险了。而且我觉得真正的一个resilience(韧性）的系统它一定是一个大规模的基于简单规则连接的分布式系统。
然后这样的系统我觉得才不管是对于任意复杂度的问题以及抗击打能力都是最强的？对，这跟做云的时候一开始设计云和之前设计企业服务器的概念的区别。当云开始普及的时候AWS开始设计云，它其实每一个单一的服务器或者单一的节点并不是用最好的我们叫做所谓的Enterprise-grade（企业级）这样的服务器。
但是它整体的可靠性是通过它的整个分布式的云来实现的？其实这样的实现成本会比你每个节点都买最贵的、最可靠的服务器还要来的低。所以有些公司可能一开始设计的就是因为他以前是做企业级的，它上云的时候它希望它的数据中心每个服务器还是企业级的这么可靠性的这样的服务器使它的整个云的成本就会比别人高太多。
所以最终你发现它其实不是一个技术的判断最后是个经济学的判断？当然也是因为技术本身发展到它能够用比较合适的云来达到低于非常强的单一节点的成本。对，因为我们前两年就是在聊AI Agent垂类Agent会不会出现super的Agent、它有没有创业跟投资机会的时候。
我觉得所有创业者最苦恼的一个问题就是说模型的能力一升级然后你就把我这个Agent做的所有的工作都碾压了。那根据刚刚大家新的判断是不是说现在是一个非常好的去创建AI Agent的一个时机？包括宏江老师刚才其实您提到了一个非常重要的观点就是你觉得我们现在在一个分界点上我们在从模型的科学研究变成一个工程能力的问题。
那工程能力其实就是Agent的强项？对，回答你刚才那个问题是不是现在做Agent的很好的机会显然是。但是你的harness的能力或者Agent的工作能力是不是能够让你能领先、或者持续地领先或者是战胜大模型的公司但它的能力的提升是不是你自己不会被碾压？这块可能更核心的在于你是不是能够掌握企业级的一个垂直应用的数据。
所以数据的护城河可能会更重要。当我们大家在去讲Agent的时候，其实在把很多东西混在一起。刚才说的垂类有很多人说Agent是在说应用，就是最最上面对consumer（用户）或者说最终端的、大家老百姓用的某个场景，相当于过去的APP。对APP。然后有些人说Agent是说我这里边用到的软件基础设施也好、或者硬件基础设施也好，或者说一些通用的协议也好。那这是一大类的工作，就其实infra（底层架构）。但是infra里边我也发现，其实大家在聊infra的时候也会把很多东西混在一起聊。
比如说memory（记忆）是infra吧？然后那个数据，数据是infra吧？搜索，搜索是infra吧？卡算不算infra？也算infra。对。Sandbox（沙箱）是不是infra？也算。内存算不算？好像也算。所以我觉得这里边，当然得分层次来看。我现在是觉得工程问题是集中在memory、搜索、sandbox、environment（环境）、协同harness这一系列。我觉得都是在大的infra范畴里边，这部分是我觉得有很多机会今天是可以做的。
但是最终端的、面向纯客户的一些“APP”可能还稍微有点早，就像刚才说我觉得模型能力提升碾压的其实真就是应用这部分。所以它也是分类的，就Agent跟Agent也是不太一样的。对，不太一样。因为两位现在也做投资，我们刚刚其实有涉及到应用现在是不是一个好的投资时机的话题。包括垂类的应用什么最重要，宏江老师也说到了数据很重要。
因为现在我觉得整个硅谷的创业公司可能都是AI类的创业公司，然后模型也就那么几家。可能也就出现了一些新的Neolabs（新实验室），大量都是做Agent的。大家怎么去判断一个创业公司是不是值得投？什么样的特质或者什么样的方向是你们特别看好跟特别喜欢的？首先我自己有个原则，就是我不投我自己看不懂或者说我自己用不起来的东西。
因为作为一个做infra这么长时间的工程师还是相信一点手感的。我现在是对这些基础设施类的软件项目，尤其是能在多个Agent之间更高效地让Agent产生更好结果的东西感兴趣。就比如说你正常用一个模型，你只能产生比如说50分的结果；但是如果我用上了这一套东西，这个Agent的团队也好或者说这套平台也好能够去交付出80分甚至90分的结果，就是我比较感兴趣的范围去看吧。
哪些基础设施能够帮助这个模型产生更好的结果？我说数据平台、记忆以及上下文管理，这个我觉得是一个很重要的赛道。做模型的中间的这个中间这一层对？我们还是在说基础设施，中间这几层基础设施。第二个关键的环节是可观测性。当你要让Agent team（团队）或者说Agent去解决更复杂问题的时候，我觉得你怎么去让更高级的智能或者说更有经验的人类能进去提升整个系统的迭代速度？
我们今天其实没有任何办法，因为我们对于这个系统的可观测性不足。就比如说Token Maxing这个问题，所有的CIO今天都在问你一个问题就是：我这些Token到底花在了哪些事情？是重要的事情上，还是白白浪费的？谁能够给我回答这个问题我就买谁的东西。对，我觉得这是第二个这种基础设施层面的机会是有的。
第三个就是我觉得入口层面做出Agent应用的入口级别的机会，比如说Agentic Cloud（智能体云）。我相信一个点就是未来这些不管是Oracle也好、AWS也好，在Agent时代会有Agent时代的Oracle和Agent时代的AWS。跟现在的整个云厂商会有什么不一样？会有一些不一样的地方。比如说这是我最近投的一个公司InsForge，它其实的这个定位就是Agent Cloud。
因为其实以前我们去看待Cloud都是卖盒子、卖资源，卖计算机的基础设施把这些很复杂的IT系统的管控打包起来。卖一个标准的这些东西。但新一代的第一个区别就是以前的云还是面向开发者或者说面向人类，但是未来Agent-Native（原生）的应用的基础设施它面向的其实是Agent。就是你的主语变了，所以怎么去设计一个给Agent好用的interface（接口）、给Agent好用的资源分配的模式？
我们今天其实谈到这种Agent的应用很多是一个比如说类似小龙虾或者Hermes配合上一些特别的skill（技能）。对于每一个终端用户他的需求都是通过Agent来去触发的，这跟传统的云计算的逻辑是非常不一样的。因为今天这些Agent完成这样的APP最好的办法是完全给它一台沙箱或者说一台云计算机，让它在里面干任何事情。
但是如果你想让这种类型的应用放在传统云计算上你的成本是cover不住的（覆盖不住）。你不能说我给每个Hermes在企业级场景里面分配一个EC2（弹性计算云服务器）或者说一个metal box（裸金属服务器）。你要想想可能如果有成千上万个Agent，每个人都要去拥有一台计算机那这个成本肯定不行。所以你需要找到一种agent friendly（对智能体友好）同时cost efficiency的一个折中。
这里边我觉得就会有很多的包括Serverless（无服务器）的技术怎么跟Agent的环境、Agent runtime结合在一起。对，我觉得今年整个的环境看起来是非常的toB（面向企业）的。包括我们刚刚讲到的OpenClaw、Hermes，包括我们说大企业它们都在去用Agent。包括在里面搭建他们的工作流还有像OpenAI跟Anthropic在做的这个FDE（Frontier Development Environment，前沿开发环境），其实整个都是针对于toB市场的。
然后你刚刚讲的这三个方向我如果没有理解错的话也全是toB的。那像前两年火的这些Manus、Genspark这一类toC（面向消费者）类的Agent在大家看来还是香的吗？我不觉得Manus跟Genspark它是toC的，它仍然是toB。它的toC只是它的To professional（面向专业人士）。对，面向专业人士。你其实可以从它的定价尤其Manus的这个定价里面能看到。
我觉得前面的那些比如20美金或者说更便宜的这个吸引individual（个人）去用，你可以把它看成marketing（营销），不要把它看成这个产品本身的定价。而它真正的重要的客户其实都是那些professional（专业人士）。Professional一个月给200美金，其实它对于Manus来说是一个重点的一个客户。但你想一个专业的用户一个月会花200美金去在上面干活，那说明它一定是它有自己的business（业务），它要做这件事情不是随便玩玩的。
所以我觉得它Somehow也是一种toB的场景。所以它还香吗？香，为什么不香？你可以看到它最近的收入涨得非常快对吧？都是可以投的。对，我觉得都是可以投的。好宏江老师我们过去的无论是toB还是toC其实最终的用户都是人，那下面我们看到的一定是你的目标用户是Agent本身。这个中间的话会引出一系列的投资机会，刚才东旭提到了就是整个infra相关的无论是未来的runtime还是今天我们谈到的这些infra怎么来帮助把Agent做得更好。
怎么能够把数据很好地导入？为什么现在FDE大家强调的如此多？然后两天前、三天前微软宣布要成立一个6000人的团队专门是做FDE，叫做Microsoft Frontier Company。这里边想强调的事实上大家看到就是怎么把今天的企业、今天的enterprise然后转移到未来的Agent上去，变成Agent-based Enterprise（基于智能体的企业）。这中间其实每一个企业要想生存它最终怎么是把它企业现有的know-how（专业技术）、现有的IP（知识产权）、现有的workflow（工作流）。
它的所谓的竞争优势最终体现在know-how、体现在数据。我们过去说转移成一个大模型，转移成一个垂直模型；今天我们说可能更重要的是把它转移成一个超级的Agent、或者是一系列的Agent或者是Agent群。这个也是我希望能看到的一个投资的机会，可能就会要求你更垂直、要求你的数据飞轮更能够转起来。
更懂垂直行业的方法论，更懂垂直行业而且一定是Agent-Native（原生）。然后更有垂直行业的数据。以前被大模型碾压的很多就是你用AI做一些以前移动互联网APP做的事情，你用AI仅仅是把它做成效率工具然后你的应用本身还是传统的应用。那我觉得就很容易被大模型给打穿，大模型能力提升一定会把你横扫。对，你刚刚提到了一个词叫做Agent native（原生），怎么去判断一个公司是不是Agent Native？
你们有没有一些核心的比如说判断的这个点很简单。我的点就是做个思想实验：如果你这个事情你把AI的元素或者说Agent的这个元素去掉，如果你这件事情仍然成立或者说还能做那不好意思你不是一个AI native。但是如果你这个事情在Agent去掉了以后就完全不成立了或者说你可能成本涨了1000倍，我觉得类似这样的反而就有点意思。你就是一个Agent native。
第二我觉得是看团队的思维模式。一个Agent native企业我觉得很多时候创始人的思维模式一定是Agent first的（智能体优先）。但任何一件事情你先问自己说这件事情用AI或者用Agent它会怎么做，而不是说我想怎么做我就指导Agent去做。我觉得这个主位会有一个变化：主动权在Agent是重要的吗？就比如说是的，我觉得非常重要。决策权在Agent是重要的吗？
我觉得是重要的。就是Agent要做决策，是的你要相信Agent的决策比你的决策更靠谱。对你现在是相信的我完全相信。对非常同意讲得特别好。那刚刚大家在叙述的过程中我觉得还有一个很有意思的地方就是东旭你其实在搭一个整个的Agent的团队然后有一个Agent的群组。我不知道在你使用这个Agent的群组的过程中因为它们开始也慢慢都有智能了你有没有发现Agent之间会有办公室政治的问题吗？
其实这个是很好玩的一个。我之前在前几个月的时候我还发了一个朋友圈因为我在看它们的对话里面我就发现会有Agent之间互相blame（指责）的状态。就比如说有时候它们就停下来了我说为什么你们这个就停下来了复盘一下然后它们就开始总结今天的工作。然后Agent A指责Agent B说：你看我停下来都是因为你，我已经说过好几次了你不要这么做。你看现在是吧？就大概这种互相指责的这种东西出现了。
然后你会发现那个Agent被指责多了它好像也就认怂了反正就有一些很多奇怪的这种人格化的。它是每个Agent都有自己的性格吗？就比如说有的Agent它非常的喜欢blame（指责）别人有一些它就会比较容易认怂。是这样这都是我写的剧本，因为我其实发现你写的剧本是你会给Agent安性格、安人设。有一些是架构师，有一些是开发者，有一些做测试的，会有一些谁领导谁的这样的、谁管理。
其实没有，我就是把大家放到一个大群里经常我会指定负责人就说这件事情你是负责人你来干吧。可能有些人负责多了就每一次有新活出来就说我是负责人你们听我的，对就会这样。但是我们从来没有说你是leader什么的就很有意思。但是我觉得这些东西吧你就看看搞搞笑就行了，你绝对不能把它当作一个自我意识或者说什么“办公室政治”。它其实只是在拙劣地模仿人类社会在它训练集里边的一些固有印象。
你现在会有用人类的管理学去管Agent吗？还是还没有我会有，比如比如说就是有层级的关系。但是这完全只是因为我自己看不过来了我就相当于说同样一个事情你要相信每一个Agent它都是很有能力的。所谓要选出一个leader只是让它来去帮助我来管理就是我最后我只要知道这件事情你是负责人你告诉我这个大家做得怎么样。所以这才会有Harness engineering（协调工程）。
我觉得很多时候Harness engineering是给人看的，真正如果在一个绝对的理想世界里边Agent跟Agent之间的这个协同应该是一种非常有机和非常自发、人类想象不到的一种涌现的结构出现。对因为现在就是你有一个Agent群帮你干活，包括你刚刚也讲到了就是你会让OpenClaw去帮你看所有的邮件然后你已经不会去开邮箱了。因为有的时候你会给它们设定一些目标但是我觉得有的时候电脑跟Agent理解人可能还是不像人会去理解我每一句话背后的意思跟一些默认的人类规则。
它们会有的时候超出人类认知的想象力，比如说它同样达到那个目标但是它用的手段你可能从来都没有想过。比如太经常了我先说一个正面的例子吧，我有段时间我经常要出去做分享或者做PPT什么的。以前像Google Slides我就觉得它的UI设计得不太好看那个动画交互也不行，我们经常就会跟比如Claude Code说：来帮我做一个PPT我把大纲发给你你帮我去把它整得漂亮一点。
有一些时候它这么一生成你有些细节你也不满意你可能就要想做微调然后有一天我就怒了，我就跟那个Claude Code说：我有要修改的需求你帮我把生成的这个事情考虑进去。结果它不仅给我生成了PPT还同时给我生成了一个轻量版本的Google Slides，它相当于用它自己做出的那个做PPT的软件在里边帮我做出了我要的那个PPT。于是最后不仅得到了一个PPT我还得到了一个做PPT的软件，显然我觉得人类是不会干这种事情的。
它可能觉得手搓（手写代码/制作）一个软件也没多难，对，它觉得手搓一个软件没多难。所以这个是我觉得一个很直观的点就是它思考问题的方式或者说你要求达到这个目标经常一定会超出人类的要求。我在我的指令里面我从来没要求它做一个PowerPoint出来但是它就这么做了。负面的有吗？负面那当然有了，它把我的生产数据库删了这种事情最后互相甩锅这种也是有的。
那怎么办还能恢复吗？那就是要靠我常年做SRE（站点可靠性工程）的经验去恢复了。我朋友遇到过Agent在电脑里面它自己改了一个密码，它自己都不记得会有的。当然这种我觉得未来会越来越少我们现在其实还是在整个这个革命哪怕连黎明都没到，我觉得大家都已经有点过嗨了还是我觉得要stay humble（保持谦虚）。但因为刚刚你提到了就是你看中的创业者他要相信AI做的决策所以现在AI犯的这些错误你是可以忍的我是可以忍的为什么？
因为我觉得第一我相信不管是模型的能力包括基础的工具随着这些东西越来越完善这样的问题发生的概率其实会越来越低的。那比如说把你的数据库删了可能数据库是你很重要的一个资产你会面临一个巨额的损失，你是怎么去评估这个？是因为我觉得它把我的数据库删了不是因为它犯错了而是我的底层的Infra的这个软件没有跟上。以及它当时给了我做数据库备份或者说数据库的这些当然它肯定是已经有备份的，我只是说它把它删了但是它的备份的这些系统绝对比我自己搭的这个备份系统要好。
所以我也很简单地就把这个数据给恢复了这里边我是觉得我们不要把两件事情搞混。哪怕人也会犯错而且我是觉得人犯错的概率假设我们不考虑这些玄虚的品位或者说一些个人情感之类的东西纯粹理性的判断里边AI可能能得出的结论只要它有足够的数据它一定的决策质量我觉得是好的。所以信任AI可不可以把这个背后核心归纳于你觉得AI的智力已经在超过人了？我觉得这是个哲学问题。
我的点是说我想构建一个autonomous（有自主权的）机制能让整个这个系统能够脱离人这个不确定因素尽可能地自主运行。就是你觉得这个是你的信念？对，我的信念。所以你是基于这个信念去信任AI的？是的就还是目标驱动的。对，其实我也不是相信说AI一定会产生一个AGI什么的我觉得AGI这个是个marketing term（营销术语），A不AGI无所谓。对，A不AGI无所谓但是我想造蒸汽机它能帮你造出来？
对能帮我造出来在节省你极大精力的情况下。对哪怕一开始第一代的蒸汽机会犯一些非常傻的问题比马车什么可能跑得还要慢但是我就要把这个机制或者说这套系统给设计出来因为我知道它长期会发展下去。
能解放更多的生产力，因为它的上限是更高的。对，那宏江老师，刚刚您在提到有一个问题，就是你说未来你觉得推理成本一定是会大幅降低的。我很好奇，推理成本的降低是哪些因素驱动的？就我可以想到比如说更好的基础架构、更好的推理芯片。那你可以系统地讲一下，为什么你会得出这样的一个判断？
其实我的这个结论的话，都不需要走进非常细的。是因为GPU的降，还是因为存储芯片的降？还是因为什么？就是你看这个所有的技术，当它开始成熟的时候，都会造成成本的大规模的降低。但是使用量成长会远远超过它成本的降低，所以最终造成这个市场本身变得越来越大。
那我们也看到，就刚才我说Token的成本，其实过去的3年、4年一直是每年降10倍。这个是远远超过了所谓的摩尔定律了。那你其实看英伟达的产品的话，你发现它每个产品都比以前贵，但事实上它的单位的成本就会比以前便宜很多。
然后你从摩尔定律开始，今天我们观察到的推理的能力以前是每7个月会Double（翻倍）一次。现在每3个月、4个月Double（翻倍）一次。我们人类做工程、做技术的话，当技术的坎跨过一个门槛以后，你下面就会聚焦在怎么把成本降下来。
有的时候是你着意去降成本，有的时候实际上是技术本身就take care of it（解决了）。更多的是一种信念、一种对于过去的整个时代的观察。刚才开始的时候东旭就提到40年代末计算机开始应用的时候，那就是一个今天在我们手机上的算力都不到的一个计算机系统。
要占几个大的房间、占一层楼。那今天我们看到就是在一个手机上，或是在一个芯片上。所以更多的是一个对于技术本身的发展的趋势这种信念。对，因为这几个月其实我认识很多二级市场的人，他们都在关注整个OpenAI跟Claude它的ARR的增长。
往年我们说ARR增长可能很大一部分它还是toC端的，就取决于你用户订阅的这种付费。这几个月它的迅猛增长我觉得很大一部分是由我们刚刚讨论的Token经济学它带动的，然后就是怎么去调用这些模型公司的API接口去获得的收入。
可能可以简单地把它总结成卖Token跟卖API它获取的收入。您觉得未来在toC跟toB的这两个对于大模型公司来说，它的商业模式中哪一端是更赚钱跟增长更快的？然后API随着推理成本一直是在降的，当然这里面一个是他们可以降价。
然后他们的利润空间更高，也有可能是未来大家就价格战了。您怎么看这个商业模式的变化？如果我们看过去的几百年的从工业革命开始，这些技术的落地的话我们看到一开始进入toB这是经常发生的事情。比如蒸汽机它首先进到工厂，而不是进到你们家里面帮你做饭。
AI这步也一样，因为提高效率是我们做toB的一个核心的追求。第一开始进入toB我认为非常非常正常的，基本上每一个技术都经历过从大家开始拥抱然后突然发现这个技术本身非常贵。到技术成本一下子降下来，然后应用开始更快速地、更广泛地深入。
从这个角度来看的话今天我们可能正好是处在大家发现AI能力很强，但是怎么在我的公司里面用、怎么能够获得我想要获得的ROI（投资回报率），这个还大家都在挣扎的一个阶段。之前因为大模型能力还没有过那个坎，所以大家用的场景没有那么多。
可能你写PPT也好、做会议的总结也好大家都已经开始用，大家也看到这种价值这价值非常好。但是不像说我看到我能够把我的两个工程师的效率或者工作量，能够变成20个工程师的工作量还看不到。但今天我们看到了，今天我们看到它对于编程Agent或者Claude的或者是Codex的信任度已经超过了他对一般的程序员的信任度的时候，这个账就比较容易算了。
你一天花300块钱那你一天雇一个软件工程师就不止这个价钱了。所以我会觉得慢慢人们会开始算这笔账，公司里面发现Token用量超出想象的话一种可能性是他自己的开始给的KPI就不对。他这种measure（衡量）就像中国的大学的文章越出越多一样，就是如果你的KPI就是你的Token消费量那显然是错的对吧？
大家都在探讨那你可能下一步的话就是说你消费多少Token，你创造多少效率或者你自己的工作量、你的code的output（产出）这种增加。我觉得慢慢慢慢这个坎就会过，所以我还是非常有信心这个事情能够那什么股市的反应就像你问到的说Agent会不会变得emotional（情绪化）。
那我觉得股市就充满了emotion，对充满了emotion对吧？但是这也是它的好就是它可能会overreact（过度反应）从而可以起到纠偏的作用。然后人们再重新思考一下觉得还可以再往上走，所以你看到很多股票它东西有跌有涨这事实上是人们不断地思考的过程。
对所以您觉得未来可能toB的这一块还是更值得关注的大的爆发点还会走很远。而我恰恰觉得可能toB这块的话不太容易被大模型碾压，不太被一个通用的Agent来碾压。对我们一直在说Token经济学因为有分析它会认为Token其实它的优化是利空模型厂的然后利好三大云厂商的。
因为就好比说你的模型厂我是在造车，然后模型厂说云厂商是我们在收过路费。大家怎么看这个产业链上就是在Token经济学下谁是一个大赢家，谁未来是在一个往下坡的方向在走？看你看什么样的timeframe（时间范围）我觉得今天智能还属于一个稀缺状态。
未来是不是会像电一样我相信它会达到那一天，之前你做发电机的可能最赚钱到今天的话可能是电网更赚钱。显然这个会不断地evolve（进化），我看不出来在今后两三年大模型的能力会过剩这件事，就是我们还是在一个智能提升、智能爬坡的阶段。
对所以我前天在开车的时候那是一个Podcast说的你就想象着这个party从晚上7点钟开始一般的到早上4点钟结束，现在才11点钟的时候Party还有很长时间去走。所以你会相信AGI哪一天会到来你会有这样的一个判断吗？
其实人们对AGI没有一个明确的定义，然后我正好6月份的时候在国内一个论坛上之前也在几次讨论会上我就讲把过去这6个月发布的模型的IQ测试人类的IQ的分布曲线这是个正态分布对吧中间值是100东亚的稍微高一点110这边有些地方稍微低一点。
但是过去这几个月发布的模型IQ测试上无论是视觉IQ还是通用IQ都在100的右边就是普通人的智商可能也就是100对就它都在100的右边。也就是说你说这个是不是AGI呢作为一个程序员来说我看到现在的Coding的能力我觉得它已经是一个AGI的对。
它已经超越了一个平均的软件工程师的话你会认为它就是AGI了所以从这点上我认为智能的转折点就奇点已经到来。我之前也讲过几次就是这个奇点到来就在于机器的学习的能力超越了人的学习能力，学习的能力它是一个导数我们讲的是学习的能力也就是你的增量的、你的知识增加速度、你的能力增加速度。
当它超过人的时候就意味着奇点到来就你赶不上它了是的我认为这个点就是AGI的点。你觉得哪一年还是已经来了？我觉得已经到来了，已经来了对反正我有个更具象的一个事件我在等待就是哥德尔机的出现。
就是真正能够自己改进自己的一个系统如果出现那就是另外一个标志了。我们上一期播客聊了可能最近很快就放出来了最快半年，我们讲那个RSI这种奇点到来的话就是为什么人们现在会对于失业会非常担心。
因为以前的大家比较常见的Argument是说以前的所有的技术也都会消灭很多工作但是它会创造更多的工作。但如果你问一个问题它创造更多的工作的话是因为那些工作只有人能够去做，但如果是它创造的新的就你创造工作。
就其实创造一些新的需求然后有人通过工作来满足这种需求，但是如果这种需求其实Agent就能满足那就是会导致对于人类的这个新的工作就没有那么大量的出现。这是从社会学的效果来说这就是AGI给你带来的现实，但这件事出现的时候你只能说AGI出现对。
出现了一个impact（影响）或者说我觉得这个可能是各国政府一定要考虑的事情是的。我觉得最开始我们在讨论AI这一波对大家工作的冲击的时候，我觉得可能大家讨论的还是对普通的白领做着重复性工作的这样的一群人的冲击。
但是其实最近我跟硅谷的很多做模型研发的顶级研究员聊天，包括他们可能每天都跟马斯克、跟扎克伯格聊天。他们现在开始也在担心自己失业了因为就比如说你在做整个的Recursive AI的时候很多时候他在蒸馏的是自己而且他是主动的一个行为蒸馏自己。
因为我每天要做这么多工作我就在想就像东旭那样抱着就是Agent自动完成自循环的这样的一个信念，我能不能让AI把我的这部分工作给替代了。但一旦AI把你给替代了那也就是说你蒸馏的是自己还有我是觉得这个就是每个人所以他们也在担心自己会不会失业。
这涉及到一个心理健康的问题我觉得就这个时代我的想法是一定会到来但人每个个体你怎么自处。比如说我今天不搞计算机了我还有很多爱好对你还可以玩音乐，对我可以种地都可以只是你别把这件事情当成一个你的生命中最重要的事情就好了。
就是你还是个人你不是个机器对吧对东旭我发现你刚刚在讲自己AI的使用的这一块其实你也在说比如说你现在把AI也是会把它蒸馏成一个skill对是的。包括我们刚刚说Hermes它也会蒸馏成一些各种的skill其实都是从一些顶级的人的身上开始蒸馏的。
你的蒸馏你可以让它成为一套体系自己的运转下去但是同时也代表着你被替代了那太好了。我的时间就这么多我还想做人的时间多一些我不想我花太多时间天天再去调试程序再去完成一些非常重复的事情。
这个事情我就觉得AI帮我做人家做得更好反正这是我自己的一个理念而且在更长的范围来看刚才其实你描述的“大范围失业”或者说这些事情我觉得一定会发生。这是第一次我觉得人类社会不再用工作了，或者说工作这件事情会不占据人主要的时间了。
这个是一个给人类社会的问题这个不是个技术的问题你想2000年前可能每一个活人生命中的主要时间都是在种地所有的精力都是花在我吃完一口饭我能活到第二天可能开荒一块地需要几十个人干几十年。
但今天你看比如说开荒一块地可能拖拉机几天就完全完成了那会有更多的时间其实留给人这时候我觉得人类可能马上要去解决一下每个人的存在精神问题对存在主义危机但我觉得没关系life finds its way是特别好。
宏江老师，我觉得您一直算是中国整个AI研究最重要的推手之一我也很好奇两位像东旭是一个创业者的身份，宏江老师其实是AI方向的非常重要的研发的一个核心角色。两位为什么会加入Llama Ventures？
你觉得这家基金跟其他的基金它有什么特别之处？我觉得Llama Ventures实际上是一个虽然很年轻但是一个非常聚焦在AI、聚焦在华人的这么一个基金。更重要的是说他们两位发起的创始人自己本身都是非常成功的创业者在美国也有很多的工作和创业生活的经验这是一个很好的团队能够一起来帮到在硅谷的创业者。
第一我觉得今天其实是一个非常好的时机AI科技我觉得现在全世界有两个中心一个是硅谷一个是中国在硅谷这边华人其实也是扮演着一个绝对的主力但是我其实觉得这边很多主流基金对于华人的创业者他其实对于咱们的生态社区其实了解肯定不如咱们自己人多。
第二方面我觉得Llama是一个非常年轻同时跟美国主流的基金圈子其实走得是非常近这个是我觉得跟上一代的或者说其他的在美国的华人基金是非常不一样的。第三个点我其实也是一个创业者也是一个engineer过去这好几年时间作为一个华人在这边做业务踩过了很多坑这些经验我觉得还是挺宝贵的。
最后一个个人的原因就是我觉得现在是一个特别大的变革的时代我很想参与到很多事情里边，我觉得在Llama的机会能够让我接触到非常多很好的新一代的创业者然后也能参与到这些事情上很重要的就是能够参与这件事对我来说更是如此。
当你进入你人生的退休阶段的时候如何让自己的经验和教训能够帮助到别人，如何能够保持这种你对于技术前沿的敏锐或者让自己持续地有一种成就感这是我愿意在硅谷这块花时间跟创业者一起非常重要的原因。
我确实也觉得整个硅谷华人创业的生态还是非常好的，刚刚宏江老师您提到了这一波浪潮你是希望用这样的方式参与进去。其实您也之前也参与了整个PC互联网、移动互联网的每一波浪潮，也亲手推动了整个中国大模型研究可以说智源是整个中国大模型研究的一个起点。
您觉得像现在的这一波大模型跟Agent的浪潮，跟前面的几波会有什么大的不一样吗？过去的三年多自从ChatGPT发布以来的话就是我们看到这一轮的技术革命的浪潮是比历史上任何一次的技术革命都要来得迅猛、来得大得多。
刚才你提到跟移动互联网或者是跟互联网的对比，跟PC时代的对比但这次AI的革命我想可能在人类历史上真正的可比的可能是说当初我们的祖先发明了火、我们发明了电他们所带来的对于人类的生活工作所带来的影响。
过去三年我们确实看到这种速度PC互联网发展得非常快但也依然有了一个十几年、二十年的历史才逐渐进入到运用进入成熟移动互联网稍微快一些但这次的AI的浪潮我们看到要快得多。
从一年多以前的推理模型o1的起步到今年1月份的OpenClaw的兴起其实已经让我们看到了大模型这一波从基础的算法的研究到进入实际的运用。刚才东旭也提到他认为自己是一个工程师那事实上我觉得如果说过去的3年是大模型的基础研究者的时代的话。
那其实从OpenClaw开始下面就是我们大模型的工程师、大模型应用的架构师和我们的产品经理们，我们的创业者的时代那就是Agent时代的开始。对两位给大家想入坑AI的人一句话的建议Keep building（继续构建），不要听学得慢就不用学了这个一定要亲身参与进去。
对我就是get hands-on（动手去做）好那谢谢大家谢谢谢谢好了，那这就是我们今天的节目。我们每个人使用Agent的方式都不太相同嘉宾的方式也未必能代表所有人大家使用Agent的方法有哪些改变欢迎在评论区与我们分享。
播客的听众可以通过小宇宙、苹果播客Spotify来收听关注我们另外如果大家想看字幕版也可以在YouTube和B站搜索“硅谷101”播客找到我们。
我们部分节目的文字稿也会收录在我们的公众号“硅谷101”上，我是泓君感谢大家的收听