iTech 二十周年

人上了些年纪就会遭遇很多纪念日。

迎面而来，无可避趋，让你惊觉，「啊，这么多年了吗？」

但大部分，只是这么心头一震，不会再有余震，于是也没有余威。

这次去 iTech 20 周年的聚会，两天一夜，深入深出，就还是颇有感触。

首先是不少人都做了自己的公司。

软件的、硬件的、VC 的，Paul Graham 诚不我欺：出售自己劳动力的天花板非常有限，心头有一团火的人，还是应该早点创业。

创业拼脑力体力心力，还需要运气和时机。

俱乐部成立时，我还差一个月毕业。所以这次来的大部分都是 70 后互联网老炮。

那十来年带给他们的不仅仅是第一桶金：随着公司快速发展，他们很多人都有机会做影响百万千万甚至几亿用户的产品。

那个时候的收入买房也很轻松，这些一线城市里的房子本身在资产上也有很多增值。

积累了资源，掌握了业务经验，又解决了生活上的后顾之忧时，一抬头，移动互联网来了，大把的机会和大把的钱在等着自己出去话事。

我们 80 后好歹踩到些时代的尾巴，再晚一点的小朋友们机会就要少很多了。

如果 AI 真的能让很多三五个人的团队就干出影响力，那确实是个很大的进步。

其次就是机会跟地域的关系还是很大的。

如果离开珠三角、长三角和京津冀，在其他地方做出点成绩相当不容易。

比如上面这张图里，大概只有汪源（在杭州）和我不在北上广深？

从我自己管过的这些一线城市的团队和成都团队的对比来看，很多人说成都做不出好的互联网公司是输在人才密度或者文化层面，我是不认的。

成都优秀人才并不少，并且因为大家没有那么高的生活成本，做事情多一些细水长流，经常在产出上会带来些惊喜。

不仅仅是软件，游戏、动漫、超女、电竞…成都在这些领域干出不少成绩。

但大部分的互联网业务其实挺吃资讯的。硅谷有句话说新技术以冲咖啡的速度传播。并且，在一线城市意味着各种行业的一线都在那里。一个新的技术、新的产品、新的玩法，在不同职业不同思路的各路人士组成的小圈子里，每天被分享和讨论，杂交出新的思路和契机，这些方面成都还是实实在在吃亏的。

也许当我们迈过模式创新的周期，进入更硬核的科技创新，静水长流的地方也会做出些不错的东西。

但现在，不管是报大学志愿还是第一份工作，我觉得所有的年轻人都还是尽量先去那三个圈，争取混出点名堂，再看看其他地方。

至于一些关于 AI 和行业的感想，就放别的地方去记吧。

苹果的新机器

苹果再次展示了自己「软硬皆施」的威力，把数字层面的产品和物理层面的产品结合得这么好，在消费品市场永远是有人买单的。

但难免有很多人会吐槽这不是大招而是无能：苹果不应该堕落到去发个折叠屏而应该去做更本质的创新。

不是有 Vision Pro 吗，很本质的，你们又不买。

其实每天都有无数人想要做出点「更本质」的创新。

我最大的感觉就是，现在的 AI 行业大概可以类比到汽车问世或者电气革命的前期。

使用者这一侧的认知负担仍然很重：要选 token 供应商，要弄 RAG，要搭 Agent 队伍，要弄清楚不断冒出来的 Harness、Loop、RSI 这些玩意儿究竟是啥。

就好像世界上最早的二、三十辆车，司机都得自己会修才能开，因为真的随时都在修。

现在车的本质创新是啥？是人不用自己开了，就算自己开，也不需要弄清楚背后的原理。

AI 从长期看，最牛的产品应该是用类似于油门刹车或者电灯开关这样的界面和用户交互，解决所有需要的。

不但要把里面的实现细节通通做到用户无感。也不再需要有那么多 App，那么分散的小程序入口。

但如果要做成这样，聪明的读者觉得是哪家做到呢？

另外，做到这样容不容易？现在这么多小白都开始用 WorkBuddy，是不是快了？

我认为还是非常难的。

Harrison Chase 曾经分享过一个观点：智能体由四部分组成，即系统提示词、规划工具、文件系统以及子智能体 如果沿着这个思路往细一点拆，「harness」或者说治理需要管理的要素包括：

1. 会话：当前的任务与上下文，要可以回溯、分叉并重放它。
2. 环境：由可以管理的沙盒、终端、计算机和/或容器组成。
3. 项目：代码库、worktree、历史记录、当前工作、 AGENTS.md 等等。
4. 记忆：这个项目在这个环境里形成的偏好，对当前进展和过往决策的管理等等。
5. 技能：Domain 相关，描述在此情境下值得运用的可复用工作流或领域知识。
6. 团队：从小协作工具（共享 session、prompt、skill），到项目管理、问题跟踪、CI/CD 等。
7. 模型：基础模型和围绕它的延展，是所有参与者共享的。通常需要对它做一些增强、微调等。

当我们只是简单问问 AI 问题，我们停留在第一层。我们的需求越深入，我们就会沿着这些层次往下走。

这是为什么需要「Harness」等等框架的原因：它主要就负责处理上述各层，比如决定哪些内容进入上下文、技能如何运行，以及哪些内容被保存到记忆中。

只是有些公司可能不这么叫它，比如 Meta 的 Muse Spark 等等。

但我们不断往下走，无可避免地会遇到耦合深度的增加和效率变低。

举个例子，如果只是问「赤道以北为什么长泽雅美」，今天问千问明天问豆包没啥迁移成本。

但如果选了某个 Harness 框架，围绕它做了每一层的各种实现，还有很多人在用，就挺难打通和切换的。

世界上为什么有这么多 B 端公司，不因为别的，就是因为没有那么容易打通和切换。 从个人来说，这意味着在尘埃落定之前最好选类似于 Pi 这样的精简框架，做到尽量完全是可知可控的。

从企业来说，AI 这个业务往后做，会不会其实很 SaaS，还是需要支出 token 成本的 SaaS？

做基础设施有句老话叫「开着飞机换引擎」，形容业务不中断的情况下更换底层系统。以后切 AI 模型怎么说呢，「过着日子换脑袋」吗？