[轻哼声] [音乐]
我想请大家想象一下，那种经典的、极具病毒传播力的YouTube封面设计风格。你知道我指的那种确切风格吗？哦，是的。比如纯白色的背景。对。巨大的粗体标题占据屏幕的一半空间，对吧？没错。而在缩略图的正中央，你有两张叠加在一起的用户采用率增长曲线图。它们之间的对比强烈得令人震惊。如果你真的把它们画出来，那视觉冲击力简直疯狂。确实如此。
在图表的一侧，有一个名为Deep Seek Harness的工具。它于今年（2026年）8月发布。其增长曲线 essentially 只是一条垂直线。是的，它在短短两天内就获得了超过95,000个GitHub星标。仅仅两天。这绝对是一股由大量社区关注所推动的热潮爆发。它无处不在。老实说，整整一周的时间里，每一个开发者论坛、每一条社交动态里，人们谈论的唯一话题就是它。
然而，在光谱的完全另一端，安静地坐在背景中的是另一个极简主义工具Pi。它由一位奥地利独立工程师Mario Zechner构建，对吧？没错。如果你看Pi的增长曲线，我的意思是，那里没有爆发式的尖峰。它是一条缓慢、艰难且不断复利增长的曲线。这完全是一种有机的攀升，它花费了一整年的时间通过口碑增长才突破91,000个星标。只是工程师们在他们的终端里尝试它，然后感叹：“哇哦，这真的解决了我的痛点。”
这是两条通往成功的截然不同的路径，它们代表了完全不同的设计理念。但最疯狂的是，尽管看起来如此不同，但它们都建立在完全相同的结构基础之上，对吧？它们都是业界现在所称的“Agent Harness”（智能体容器）。而这个词组——Agent Harness，已经在今年的开发者群体中彻底取代了“Framework”（框架）这个词。哦，完全正确。现在没人再说框架了。
因此，我们这次深度解析的使命就是：我们要拆解Ruden Dupal撰写的这篇非常精彩、细节丰富的架构分析文章。这是一篇佳作。它真的深入到了技术细节中。我们要解码Agent Harness在机械层面上究竟是什么，为什么开发者们在2024年抛弃了DIY框架转而使用它们，以及如何透过当前的营销炒作看清本质。因为你真的需要弄清楚如何为项目选择合适的AI基础设施。
没错。无论你是编写复杂的软件，还是仅仅试图自动化你的日常知识工作，你必须理解这种底层架构。是的，这绝对不再是可选项了。我的意思是，模型本身现在只是一种商品，对吧？每个人都能访问相同的模型。完全正确。容器（Harness）才是你的系统要么成功、要么 spectacularly 失败的地方。
那么让我们进入机械原理层面吧。我的意思是，我们都知道大语言模型基本上只是自动补全文本标记，对吧？预测下一个词。所以开发者在2026年面临的问题并不是文本生成部分。问题在于，你如何安全地给这个文本引擎装上手脚和神经系统，而不至于把它撕裂你的服务器，或者在10分钟内烧光你的API预算。[笑声] 说真的。
所以在弄清楚为什么Deep Seek和Pi会爆火之前，我们必须先确立这种不具吸引力的底层管道究竟做什么。对。所以要理解容器（Harness），你必须看看模型本身的局限性。正如你所说，LLM是一个真空中的预测引擎。它完全孤立。是的。它接收一串标记并预测下一个标记。这就是全部了。如果它需要搜索数据库，它实际上做不到这一点，对吧？它没有数据库连接。
没错。它能做的只是输出一个文本字符串说：“嘿，我现在想使用这个数据库搜索工具，参数如下。”所以它基本上也是一个被困在罐子里的、才华横溢但完全瘫痪的大脑。这是一个很棒的观察角度。它能思考，也能请求事物，但它根本无法独立与外部环境互动。这个比喻非常贴切。
好吧，让我们再推进一步。这不仅仅是给那个大脑提供手脚和神经系统的问题。好的，还有什么？它是把大脑放入一个高度强化的防化服中。防化服？是的。因为那个大脑经常会试图做一些毫无意义的事情，或者可能严重破坏本地环境的行为。哦，比如运行删除系统文件的命令？没错。
所以容器（Harness）就是包裹在模型周围的运行时外壳，它管理着这一切，并通过我们所谓的ReAct循环来实现。对，即推理（Reasoning）和行动（Acting）。是的，这个五步循环。Rid Dupaul的文章清楚地表明，这个循环是市场上每一个容器（Harness）的机械心跳。让我们分解一下这种状态是如何流动的。
好的，流程始于状态组装（State Assembly）。第一步，容器接收你的用户提示词，注入所有系统指令，并格式化当前的对话历史。它基本上是在构建一个巨大的文本块发送给模型，对吧？关键在于，它将可用工具列表序列化为模型能理解的架构。它将所有这些上下文喂给大脑。好的，所以大脑获得了提示词和工具菜单。然后呢？
第二步，模型处理那一大块文本并预测响应。它会立刻回答用户吗？通常不会。它可能会先在内部推理问题，然后输出一个特定的请求来调用菜单中的某个工具，比如说着“嘿，我需要运行这个Python脚本”。没错。而这就是第三步发挥作用的地方，也就是容器接管的时候。对。实际的体力劳动。是的。容器拦截该请求，完全暂停模型，然后进入现实世界去执行Python代码。
它是在一个受保护的沙箱中这样做的，对吧？在一个隔离的沙箱内。是的。它等待代码运行完毕并捕获终端输出或错误日志。所以模型只是暂停了，而容器去做了杂务？精确地说。这就引出了第四步。那些错误日志怎么处理了？
嗯，容器将原始的终端输出解析回标准文本格式，并将其作为一条全新的消息放入对话记忆中。基本上是说：“嘿大脑，这是我们运行你代码时发生的事情。”没错。它再次 ping 模型并询问我们的下一步行动是什么？好的，然后第五步就是循环重复。是的。它不断旋转
……通过这些步骤：预测、执行、解析，然后重复 >> 直到模型最终决定它拥有足够的信息来预测一个最终的、人类可读的文本答案。 >> 没错。此时，Harness（智能体框架）会停止循环，并将最终结果返回给用户。 >> 听起来在理论上非常顺畅。 >> 理论上是如此。但文章明确指出，构建这个循环是一种“不光彩的、枯燥的基础设施工作”。 >> 为什么说是枯燥的基础设施？ >> 因为这种理论假设模型的行为是完美的。但管理这种状态的实际工程现实简直是一场噩梦。 >> 哦，是因为现实世界的网络会失败吗？ >> 正是如此。如果数据库查询超时了怎么办？循环难道就这样永远挂起吗？或者，如果模型要求读取一个根本不存在文件呢？ >> 没错。还有在第40轮时，当所有这些工具输出的累积记忆超过了模型128KB的上下文窗口限制时会发生什么？ >> 哦，因为模型并不知道什么是上下文窗口。它只是在预测下一个词而已。 >> 完全正确。Harness的工作就是意识到记忆即将满员，并采取相应措施。所以，那些不光彩的基础设施工作——比如内存截断、错误处理、严格的沙箱边界——实际上是区分有用助手和灾难性系统崩溃之间的唯一防线。它是唯一的安全网。
但等等，如果这个ReAct循环只是让智能体功能正常运作所需的基础设施，为什么今年大家都突然痴迷于“Harness”这个词呢？ >> 这是个很好的问题。因为我是说，在2024年和2025年，整个行业都痴迷于框架。我们都在谈论Langchain、Autogen和Crew AI是什么导致了这种大规模迁移？ >> 这基本上归结为开发者希望如何分配他们的时间。 >> 你是什么意思？嗯，在框架时代像早期的Langchain这样的工具给了你一个巨大的、极其细粒度的积木盒。它们基本上就是抽象库的集合。 >> 哦，所以你必须自己连接所有的编排逻辑？ >> 没错。你不得不手动编写while循环，处理状态管理，弄清楚如何解析工具输出。 >> 哇，那听起来累死了。这就像是你只想听收音机时却给你一桶硅晶圆和铜线一样。 >> 那正是当时的感觉。你必须为每一个新项目从头构建神经系统，这意味着每个人的实现方式都略有不同，而且可能充满了bug。 >> 高度有Bug的。
但这种转变是由Anthropic发布Claude Code催化而成的。 >> 没错。Claude Code确实改变了游戏规则。它之所以如此，是因为Harness完全翻转了范式。它开箱即用地内置了这个五步的ReAct循环。 >> 好的，所以你不构建这个循环？ >> 不。更重要的是，它对记忆规划和安全的结构有着强烈的“观点”（opinionated）。 >> 你只需全局安装它，然后在终端中运行一个命令即可。 >> precisely（正是如此）。让我挑战一下“观点”这个词，因为在软件工程中，称一个框架为“有观点的”，通常是一种委婉的说法，意味着你必须按照我们的方式做事，并放弃所有的架构控制权。 >> 是的，这是真的。那么为什么开发者如此愿意放弃这种控制权呢？因为另一种选择是处理智能体悄悄偏离任务，并幻觉出不存在的解决方案。 >> 哦，那种静默失败的情况， >> 对吧？当你向经过严格测试的Harness放弃一些架构控制权时，你实际上是在购买可靠性。 >> 我明白了。甚至Langchain这家 literally（字面意义上）推崇DIY框架方法的公司也意识到了这一点。 >> 等等，真的吗？Langchain转型了？ >> 是的。他们发布了一个名为Deep Agents的研究项目，并且 literally（字面意义上）逆向工程了Claude Code，以弄清楚为什么它的“有观点”的方法在长编码会话中能如此一致地发挥作用。
那么秘诀是什么？因为我的朴素Python while循环和一个能够重构整个代码库而不破坏它的Harness之间肯定存在巨大差异。 >> 哦，确实有。Langchain团队确定了使一个好的Harness保持可靠的四个不可妥协的架构支柱。 >> 好的，让我们逐一看看。第一个支柱是什么？ >> 首先是强制规划机制。Harness在结构上要求模型在执行任何实际工具之前，先写出一步步的思考草稿（scratch pad）。 >> 哦，所以它阻止AI在看到用户提示后的瞬间就立即发出一堆随机的shell命令。 >> 没错。你强制它先声明其意图，这就将其未来的token预测锚定在那个特定的计划上。这肯定能防止静默漂移。 >> 它强制了对齐性。那么第二个支柱就是虚拟文件系统和沙箱？ >> 没错。我们之前提到过这个。 >> 是的。但这不仅仅是一个单独的文件夹。它是一个具有特定操作系统级别读写权限的限制性执行环境。 >> 所以它在操作系统层面被锁定了？ >> 没错。它确保即使AI决定运行一个删除系统目录的命令，Harness也会在权限级别将其阻止。 >> 这就像伸手进化学实验室里的密封手套箱一样。无论里面的人怎么努力，手套就是无法伸出盒子外面。 >> 正是如此。好的，第三个支柱是什么？ >> 子代理委派（Subagent delegation）。 >> 很有趣。为什么是子代理？因为在复杂的任务中，主上下文窗口很快就会充斥着原始代码和工具输出。 >> 没错。然后它就会迷失最初的目标方向。 >> 正是如此。所以一个好的Harness允许主代理暂停其循环，启动一个具有全新记忆空白的完全独立的临时代理，并将特定的子任务委派给它。 >> 等等，这本质上就是智能体版本的微服务架构？ >> 是的。或者是一个纯函数。你给子代理一些输入，它就去处理任务中混乱的现实情况，然后将一个干净的合成输出返回给主大脑。 >> 对吧？所以主大脑永远不需要看到混乱的工具日志。它只得到答案，这就完全保护了主代理的注意力跨度。 >> 确实如此。而这直接引出了第四个支柱：上下文和记忆管理。 >> 啊，我们之前讨论过的内存截断？ >> 是的。这是主动监控token使用量的中间件。当上下文窗口变得太大时，Harness会自动拦截历史记录 >> 然后做什么？只是删除旧消息吗？ >> 差不多。它使用一个更小、更便宜的模型来总结过去的对话轮次，并修剪掉大量的原始
旧工具调用的 JSON 数据。因此，主模型永远不会触及它的硬令牌限制。“好的。”“既然业界基本上已经达成共识，认为这四大支柱——规划、沙盒化、委托和记忆管理——是标准配置，那么 2026 年的重量级产品实际上是如何区分彼此的呢？”“嗯，它们并不是彼此的克隆品。”“没错。你有 DeepSeek、Claude Code、Hermes 和 PI。”
如果它们都使用相同的基础支柱，那么它们在底层一定做着不同的事情。“它们在如何实际实施这些支柱方面做出了截然不同的架构赌注。”文章将当前的格局分解为三种不同的哲学。“让我们深入探讨这些赌注的机制，因为这是开发者真正需要做出选择的地方。”“第一个赌注是什么？”
“第一个赌注是 DeepSeek 带来的理念：一切皆插件。”“好的，这在实践中意味着什么？”“他们在一个名为 Cortis 的元框架之上构建了他们的 Harness。这里的理念是极端的依赖注入，意味着一切都是模块化的。”“正是如此。语言模型、沙盒环境、记忆存储后端，甚至用户界面协议，每一个组件都是一个模块化插件，你可以在系统运行时热插拔。”
“哦哇。这就像是终极的定制 PC 方法。”“确实如此。”“如果我决定明天不再使用 Anthropic 的模型，而是想换用一个本地开源的 Llama 模型，我不需要重写 Harness。”“没错。你只需更新配置文件，交换模块并重启即可。”
“是的。”DeepSeek 的赌注在于：AI 领域的变化速度太快，不值得将自己锁定在一种架构上。“这很有道理。但你提到的第二个赌注，我猜是相反的。”“是的。由 Claude Code 和 LangChain 的 Deep Agents 倡导。他们的哲学是固定机制。”“没错。这就是类似苹果产品的封闭生态理念：它就能正常工作。”
他们争辩说，模块化会在架构中引入故障点。你不能替换规划机制或记忆压缩逻辑。“它是深深集成并高度优化的，以确保端到端的可靠性。”他们赌定：迫使 AI 走上一条完美且不可更改的执行路径，是保证它在复杂重构的第 50 轮迭代中不会崩溃的唯一方法。
“我完全能理解定制性与开箱即用的稳定性之间的吸引力。但第三种哲学呢？文章提到了一个叫 Hermes Agent 的东西。”“Hermes Agent 代表了一个非常有趣的赌注，专注于累积记忆。”“累积记忆？”“没错。大多数 Harness，无论是 DeepSeek 还是 Claude Code，每次你打开新的终端会话时都会重置为白纸一张。”“它们有完全的记忆缺失症。”
正是如此。Hermes 通过跨会话持久化状态来改变这一范式。“从机制上讲，它是如何做到的？它只是保存一个包含其所有操作记录的巨大文本文件吗？”“不完全是。当 Hermes 成功完成复杂的分步任务时，它会自动提取推理步骤和所使用的具体工具序列。”“好的。”
然后它将这条轨迹嵌入到本地向量数据库中，作为一种可重用的技能。“哦哇。”“所以下次你给它类似的提示时，甚至在开始 ReAct 循环之前，它会查询该向量数据库，检索保存的技能并将其注入系统提示中。”“基本上是说：‘嘿，这是你上周二解决这个问题的确切方法。不要从零开始。’”
“ precisely。”这完全改变了动态关系。它不再是一个通用的一次性工具，而是开始像团队中一位持久的资深开发人员。“是的。你使用它的时间越长，它花在从零推理上的时间就越少，因为它只是在调用自己精心策划的成功习惯库。”“但是等等，这种累积记忆必须引入巨大的新风险，对吗？比如技术债务。”
“哦，绝对如此。因为当你使用的 API 更新了端点，但 Hermes 固执地从其向量数据库中检索到一个使用过时 API 的技能时，会发生什么？”“这是致命的缺陷。AI 会自信地一次又一次失败，因为它的记忆正在毒害它当前的推理。”“让它变快的东西也使其变得极其脆弱。”
正是如此。“等等，我们还没谈到 Mario Zechnares Pie。就是介绍中那个缓慢有机增长到 91,000 星的项目。”“PI 在哪里符合这个格局？”“PI 代表了第四个底层赌注，它对我们刚才讨论的一切提出了反驳。”“怎么说？”
“激进的极简主义。PI 及其流行的社区分支 Oh My 认为，所有这些重型基础设施——向量数据库、复杂的子智能路由——在很大程度上是不必要的累赘。”“是的，他们把这些都剥离掉了。是的，核心的 PI Harness 非常轻量级，仅依赖四个内置工具进行基本的文件系统操作和 shell 执行。”“如果你想要更多复杂性……”
“你必须自己显式编写扩展插件。”“在顶层拥有如此巨大的哲学差异是很有趣的。模块化 versus 集成 vs. 极简主义。”“是的，因为文章指出了一些至关重要的事情：如果你剥离所有这些品牌包装，底层引擎实际上是相同的。而且它简单得可怕。”
“我们谈论的是一个 60 行的 Python 脚本。”“是的。为了证明这项技术真正被去神秘化，作者包含了一个仅用 60 行 Python 构建的功能性 Harness。”“只有 60 行？”“是的。从机制上讲，它不过是一个 while 循环：向 Anthropic 模型发送 API 请求，检查 JSON 响应以查看是否请求了工具，使用 Python subprocess 模块运行该工具，然后循环回去。”
“哇。”但阅读这 60 行代码确实暴露了如果你不知道自己在做什么，这种架构的纯粹危险。“向我们展示一下那种危险的机制。那 60 行代码中实际上有什么是处于风险之中的？”“让我们看看我们之前讨论过的沙盒边界。在那个极简脚本中，执行 shell 命令的代码在 subprocess 调用中包含一个非常特定的参数。”
“好的，什么参数？”“cwd=/sandbox。这个单一参数强制终端命令仅在隔离的本地文件夹内执行。”“好的，所以如果我深夜重构代码时不小心删除了那个参数会发生什么？如果你移除这个 CWD 参数，执行环境将默认为根目录。”
……由运行 Python 脚本的用户决定。>>等等，>> AI模型不再被限制住了。它现在可以在你的主机上的任何位置执行 Shell 命令。>>所以，如果我在常规更新中不小心退格删除了一行代码，我 essentially 是给了文本预测器对我整个机器的管理员权限。>>是的，确实如此。它可能会自信地决定重写我的启动文件夹或格式化硬盘驱动器，因为它对解决某个 Bug 产生了幻觉。>>绝对正确。没有那个物理参数边界后，大语言模型就获得了你用户账户的权限。>>这真的很可怕。
或者看看脚本中的另一个机械安全装置：max turns equals 15（最大轮次等于 15）这个变量。>>好的，这有什么用？>>这是一个硬编码的整数限制，规定了 while 循环允许运行的次数。>>让我猜猜。如果你忘记包含这个限制，且工具调用以奇怪的方式失败，模型不知道它卡住了，>>对吧？>>所以它就只是不断尝试修复错误，一遍又一遍地请求工具调用。
无尽循环。而且因为大脑托管在云端的某台服务器上，每一次循环迭代都是一次巨大的 API 调用，将完整的对话历史来回发送。>>天哪，成本问题。是的，你去吃个午饭回来，可能会发现一个循环脚本在你的信用卡上产生了一笔巨额令牌账单。>>这正是为什么没有人应该只是把玩具式的循环代码复制粘贴到生产环境中。风险实际上是财务和系统层面的。>>没错。这也是为什么文章从
harness 本身扩展出去，解释说构建真正的 AI 应用今天需要一个完整的四层架构栈。>>没错。Harness 只是拼图的一部分。让我们看看这些层如何解决它们各自的具体危险。栈的底部是协议层，目前由模型上下文协议（MCP）主导。>> MCP 对吧？>>在 MCP 出现之前，如果你想让你的 harness
与 Postgress 数据库通信，你必须编写自定义的 API 集成代码。如果想和 GitHub 交互，又是更多定制代码>>这简直是噩梦。>>是的。MCP 通过使用 JSON RPC 标准化输入输出接口来解决这个问题。>>啊，所以它就像软件领域的 USB-C 端口。>>完全正确。你不在乎外设设备是谁制造的，只要它有 USB-C
接口，你的电脑就知道如何与它通信。你只需编写一次 MCP 集成，突然之间任何 harness、Deep Claw Pie（注：可能指特定工具或笔误）都能立即接入。>>没错。它完全将工具与代理框架解耦了。>>太棒了。好的，第二层是什么？>>第二层是 harness 本身，它管理我们一直在讨论的 React 循环。
对。但第三层才是真正强大的地方：编排层（Orchestration Layer）。所以如果 harness 运行单个代理，我想象编排器管理的是一个团队。>>是的。>>就像如果我有一个复杂的工作流程，需要一个研究代理拉取数据、一个编码代理编写脚本、还有一个审查代理检查 Bug，我需要一些东西来管理它们之间的状态。
precisely（确切地说）。像 LangGraph 或 Crew AI 这样的工具就在这个层面运作。从机械原理上讲，它们使用状态机和循环图来管理交接。>>好的。所以它们在协调混乱，>>对吧？LangGraph 不关心 Clog Code Harness（注：可能指特定框架或笔误）内部是如何工作的。它只看编码代理的输出，更新全局状态，并根据预定义规则触发审查代理。
这就留下了第四层。基于我们之前关于 AI 意外删除文件或陷入无限循环的讨论，这一层必须是安全网。>>没错，第四层是可观测性和沙盒化（Observability and Sandboxing）。我们说的是像 Langfuse、LangSmith 或 E2B 这样的平台。>>我总是把可观测性层想象成你 AI 的行车记录仪，the dash cam（行车记录仪）>>因为如果你让一个自主代理运行了 40 步，然后它突然崩溃或
损坏了你的数据，你绝对需要行车记录仪的画面来证明它为什么崩溃。>>确实如此。>>因为如果你只看最终错误消息，你根本不知道是因为初始提示词不好、第 12 步的幻觉工具调用，还是 API 在第 34 步输出的完全混乱的 JSON。>>而这种缺乏可见性正是该领域开发者项目失败的首要原因。
开发人员经常跳过设置 Langfuse，因为他们想节省一下午的配置时间，>>对吧？他们只想开始做有趣的部分。>>但没有它，你就无法追踪异步 API 调用。可观测性层从机械上跟踪每一个 span（跨度），记录每次工具执行的精确延迟，并计算每一步的令牌成本。>>所以当逻辑
偏离轨道时，你可以精确定位模型推理漂移的确切轮次。>>没错。这不是可选的。你不能构建一个 compat
（注：此处原文似有截断或拼写错误，结合语境推测为 competitive 或其他词）
……Deepseek vs Pi（注：可能指特定模型或工具，如 Perplexity AI 的 pi）的热潮与缓慢有机的口碑增长相比，>>对吧？当听众坐下来构建他们的下一个项目时，他们应该如何解读这些曲线呢？>>嗯，采用曲线的形状告诉你该工具优化的目标。Deep Seag（注：可能指 DeepSeek）的巨大峰值证明了一个充满活力的实验社区立即形成。
所以如果你想追求前沿技术，>>是的，如果你最大的瓶颈是供应商锁定，并且你需要一个高度模块化的架构，以便在新开源模型发布的当天不断热替换它们，那么你想要 DeepSeek 生态系统。>>但 Pi（注：可能指 Perplexity AI）缓慢复利式的增长证明了另一件对日常工作而言 arguably（可以说更）重要的事情。它证明工程师们在最初的 novelty（新奇感）消退数月后，仍然将工具保持在终端打开状态。
没错。如果你只想要一个紧密、透明的编码会话，你可以清楚地看到 AI 在做什么，而不需要与庞大的配置文件搏斗，那么你就选择 Pi 的极简主义。>>那 Hermes（注：可能指特定 AI 工具或代理框架）呢？>>嗯，如果你的瓶颈是每周重复执行相同的多个步骤的业务任务，你应该关注 Hermes 的复利向量
记忆。你只需要将 harness 的架构哲学与工作流程中的具体摩擦点相匹配即可。>>将 harness 匹配到摩擦点上，我喜欢这个说法。非常感谢你加入我们这次深度探讨。>>我的荣幸。>>我们涵盖了从 React 循环的机械原理到向量数据库，以及 60 行 Python 边界的重要性。但作为
总结，我想留下一个最终的挑衅性想法供你思考关于你自己的工作。>>哦，这是个大问题。我们今天确立了 AI 模型本身基本上是一种商品，一个可替换的、只预测文本的大脑。而且我们了解到 harness 最终只是包裹在它周围的一个开源管道外壳。>>没错。每个人都可以访问完全相同的……
同样的工具。>> 没错。如果你所在行业的每个人都能够访问完全相同的尖端推理模型，并且每个人都可以免费下载完全相同的高度优化的框架，那么在未来，你工作的实际知识产权和价值究竟存在于哪里？这是未来十年软件行业的决定性难题。>> 你的竞争优势是来自于你随时间推移在本地向量数据库中精心策划的复合技能库，还是来自通过通用 MCP 协议层暴露的独特专有公司数据？>> 因为代码本身肯定不再是核心了。
没错，如果大脑和神经系统是免费提供的，那么你的独特价值必须完全存在于其他地方。无论你是追逐最新模型带来的垂直炒作热潮，还是在后台默默构建复合价值，这都是我们所有人接下来必须解决的谜题。下次见，请继续深入探索。[音乐]