一个普通从业者的思想实验，最终指向一个不舒服的结论：Agent 赛道上的大部分长期投入，可能注定是沉没成本。
先看一个矛盾
按商业软件的一般规律，闭源 SaaS 应该碾压开源客户端：云端升级快、算力强、知识积累能形成壁垒——Salesforce 就是这么赢的。把这个逻辑套到 AI Agent 上，结论应该是「云端 Agent 的智能水平远高于本地 Agent」，大厂应该把核心竞争力锁在云端。
现实是反着的。OpenAI 的 Codex 本地与云端并行，Anthropic 的 Claude Code 也有云端 sandbox 版本，但两个版本的能力差距远没有想象中大。大厂不仅没把 Agent 做成壁垒，反而大大方方开源了。
为什么？
重读一遍《苦涩的教训》
Richard Sutton 2019 年写的那篇一页半短文，核心观点一句话：AI 历史上真正取得巨大进步的，不是把人类知识精巧地写进系统，而是能随算力增长不断变强的通用方法——搜索和学习。
大量计算
↓
大量搜索 / 大量数据
↓
自己学习表示和策略
↓
随着算力增加继续提升象棋程序加再多棋手知识（中心控制、兵型、王的安全），最后赢的是搜更多局面的深蓝路线；围棋的搜索空间大到「必须靠人类知识」，AlphaZero 用神经网络加 MCTS 加海量计算直接终结争论。关键词是 scaling：算法 A 加专家规则，算力翻十倍性能提 5%；算法 B 规则简单但能搜索学习，算力翻十倍性能提 50%——长期 B 赢。
注意 Sutton 没说领域知识没用，说的是：不要让人工知识成为系统性能增长的主要来源，优先设计能把更多算力、数据、经验持续转化成智能的方法。
套回到 Agent 上，结论很扎心
第一个推论：在 Agent 工作流编排上取得的能力提升，相比模型智能的提升，不值一提。想象中把工作流编排得足够好，普通模型也能出活；实际很可能是下一代模型直接抹平过去几年在 Agent 上攒的全部努力。这两年有现成的注脚——o1/R1 这类推理模型出来后，此前社区苦心设计的复杂 CoT 模板和分步提示词技巧迅速贬值，因为「让模型多想几步」这件事被模型本身吸收了。
第二个推论：把人类专家经验沉淀进垂直 Agent，同样会被「算力+搜索+学习」的路线碾过。想 AlphaZero：几千年围棋范式在搜索和学习面前不值一提。
这两个推论合起来，就解释了开头那个矛盾：强化 Agent 本质上与苦涩的教训矛盾，所以大厂不做这个方向的壁垒，甚至敢开源。业界的各种新词——提示词工程、上下文工程、Harness 工程、Loop Engineering、图工程——都是在 Agent 上做加法，而所有这些加法终将被模型迭代吸收。
我假想过一个「AI 员工」生意，现在自己否了
顺着行业专家经验做垂直 Agent 的思路，我推演过一个商业模式：云端平台卖「AI 员工」，AI 产品经理、AI 架构师、AI 测试各司其职，行业专家把先验知识做成垂直 Agent，客户在虚拟人才市场按「月薪」订阅，平台和专家分成。
想法看着自洽，拿苦涩的教训一照就漏了气：这套模式的壁垒全建立在「专家经验注入 Agent」上，而经验注入恰恰是最容易被下一代模型通用能力覆盖的部分。壁垒的贬值速度可能比招商加盟还快。
落到操作层的四条暴论
一，做 Agent 开发只投入杠杆率最高、见效快的活。Agent 功能像十年前的运营活动页——一周后下架再也不用，全是快消品，憋大招只会死得更早。
二，别指望靠 Agent 研发建技术壁垒。技术优势会被新一代模型抹平，Agent 是薄薄的胶水层。
三，普通开发者别跟风卷 Agent 框架。核心功课是梳理清楚做事的逻辑——用 agent 的能力组织逻辑，或者用严谨的提示词组织逻辑，而不是指望开发一个强悍的 agent 框架来兜底。
四，想远一点：如果模型输出不再是文本，而是 x64 或 ARM 的指令流，「Agent」这个中间层还存在吗？搬运电子的是大脑，搬运原子的才是身体，Agent 本质上还是在搬运电子。有了 RSI（递归自我改进）之后，人类专家经验对机器智能的增益反而可能是阻碍——祖传的不一定对，历来如此的不一定该留。
补一个适用边界的自我提醒，免得暴论伤到不该伤的人：医疗、法律、金融合规这类强监管领域，人工知识不是「性能优化项」而是准入门槛，苦涩的教训在这里不适用；算力和数据都不在手里的中小团队，短期押注 workflow 编排仍是理性选择——前提是清楚这是租来的时间窗口，不是买断的护城河。
评论0