一、服务裹着能力：FDE 与"模型能力—业务"的落差

• agent 产品不像飞书、企业微信那样买回来就能用，模型能力与业务之间存在 gap，填 gap 的是 FDE：服务裹着能力，而不是能力裹着服务。
• 不可能人人达到同一水平，只能让最好的 5% 提供一键自动化。案例：以"抢外卖券"这类高频需求每天自动抢券，用场景教育用户并让其复制场景——场景落地后就像一句咒语，一句话就能拿到结果，本质是最佳实践的封装。
• 填落差三条路：跑最快的 5% 做出系统优化供他人使用；培训（不可能人人，但多比没有好）；FDE——培训来不及、自己的人还没长出来时带着产品与服务进场趟出最佳实践。零一万物（马杰）：放弃通用大模型转 to B 垂类、对标 Palantir，先内部培训（转化率约 75%）再入驻 FDE；FDE 多有股权、不背销售指标，唯一成功指标是"把自己抽离掉"。

二、国内大厂与海外的差别，以及低成本用户漏斗

• 国内大厂认为砸钱推广就能解决；海外是"做软件的人同时输出怎么用"，边做边教。国内自己也不知道怎么用，还在比功能大小、说不清功能对各行业的作用。
• 像 Workbody 这类产品，通过任务以低成本、出卖一点时间换取尝试资格，免费层充足，用户从小白成长，量大后总会出现超级用户；但真正生产力与流程优化还未到，往深水区走服务仍必须进去。

三、速度不匹配：技术、组织与制度

• 技术两三个月一个新东西，组织无法随之调整，制度、利益分配、商业结构更落后，像层层齿轮转速不匹配；填平这道速度差需要服务。
• 反直觉：见效快的不是内容、影视等"先进行业"，Palantir 等反而都挑传统行业；传统行业更容易出效果、甲方更容易付费。
• 例：Cola skill 网站从想到做花了两个月；走上正规交付与支付渠道后，资质、公司、法人盖章都得自己跑，所以会有服务公司去接这些环节，代理不会消失。coding 之所以快，是它不依赖分发、付费与政府关系；AI 进入办公领域后阻力明显变大。

四、从内容转产品：Claude Code 与 skill 带来的自动化

• 转产品不是能力问题，而是以前 AI 做不到：Claude Code 及后续 Codex 等发展后，资产与工作流沉淀为 skill。
• skill 的变现困境：2C 收不了费是悖论——用 skill 耗 token，收费就无法让人试用，且 skill 架构开源不保密。与 agent 合作则相反：只给 API 用户会迷茫，直接推最优质的 skill，用户会把能力与结果归功到 agent 产品本身，所以应笼络优质创作者、把 skill 内化进产品。
• 用 skill 很难：一个 skill 就是一套没有界面的软件，每个人也不需要那么多，关键是想清楚自己需要什么；skill 更像模板，用到实际工作中得自己定制——"个人的 FDE 化"。

五、流程、入库与旧基建：摩擦无法 scaling，SaaS 又为什么"必死"

• 新东西在 2B 大公司没有对应流程与章程，SOP 也建不了，只能频繁沟通；去年 8 月某大厂采购 ListHub 开始入库，到上个月才入完。本可 scaling 的许可变成无法 scaling 的事。台湾企业采购同样要入库。
• 判断：SaaS 必死、软件必死——SaaS 本身是服务而非软件，AI 用 token 提供服务；手机 App 会越来越少。新的 gap 是会 web coding 的人越来越多，但做出来的东西别人没法用、也没地方发——一切仍依赖互联网 1.0 的基建，发内容可以、发产品不行。
• GitHub 这类托管机制撑不住了：AI 写代码一次几万行、每次改三五十个文件，人审不过来，需要基于"AI 提交修改"的新托管平台，这类 Infra 会重做一遍。

六、这半年被打脸的认知：coding 停滞、小模型降本与顶尖模型发布变慢

• 年初以为 coding 会一路高歌猛进，实际从去年 8 月至今没有明显大进步（部分与某些模型不可用有关），甚至更困难；最大的变化是小模型进步快（DVC Flash 等）、降本很多，很多人用得起较好的 coding 模型。
• 先进模型则令人失望：顶尖模型发布显著变慢，Fable 疯狂降智；国内一直"沉默"不讨论，美国则意识形态割裂、冲突非常具体。

七、以谁为中心："agent 加 X"与"X 加 agent"

• 命题本质是以谁为中心。agent+X：所有功能装进 agent，对话始终在 agent 中发生——发消息、生成文档都不必打开软件。X+agent：原有 X 里开一个对话框，逻辑是 agent 住进原来的 X。
• 有历史资产的公司一定选第二条（微信小微是 X+agent，飞书走的是 agent+X），两条路一左一右、最终在山顶相见；倾向判断：手机里一个 agent 可调很多 App，App 变少而 agent 功能变多，agent+X 可能后劲更足。
• 但 X+agent 受限：X 动不了所以一定别扭；旧产品靠免费加广告/社交 cover 成本，而现在每个 token 都是成本、cover 不住；叠加旧组织结构、参差的 agent 能力与旧基建，达不到专门做 agent 的体验水平。

八、手机思想实验、dashboard，与 A 与 A 之间那张新网

• 思想实验：三五年后模型与 harness 都足够好，为什么还要解锁手机去点 App？一块屏直接说话就能发消息、加日历——这正是 agent+X 的极致形态：一块屏、一个对话界面，去调各种 client、skill 与能力并分发干活。
• 但人的记忆力不足以支撑：订了票会忘。人永远需要那个目录界面，它变成一个仓库，所以大 dashboard 是必要的：所有 chat 中的事、待办、遗留未完成的工作都要在 dashboard 呈现，不是沿用原来的 UI，而是建立一个动态的、随时变化的 UI。
• 新网问题：微信不倒靠关系链，若未来每人都有 agent，除人对人之外还有 A 与 A，会出现 HAH、HAAH 一类新对话路径。例如我对"我的 A"说"提醒橘子明天下午我们要聊某事"，我的 A 去找他的 A book 时间、发邀约。
• 阻力：现在 A 还太少、没做到每人一个；Cola 让两个 Cola 聊天的试验用户学不会——"我的两个 agent 在聊天"太抽象。人也终究更喜欢人味。

九、语言、水印争议与 Jarvis 式设想：现在还只是"更好的锤子"

• 语言不是随机组合，每个字的排列背后都有心理模型。Claude 加水印引发强烈反感：官方称水印不改变输出质量、还写示例演示，示例中加水印前后文案却完全不同、"每个字都不对"，在严肃场景（如法律合同）换个词意思就全变。
• 期待的画面是电影里的 Jarvis：一个 AI 助理就在身边，知道你的健康数据、每天聊天的上下文，理解你与他人的关系、你的认知模型与世界观。现在还没到——当下它更像一个更好的锤子：以前拉一根网线成了互联网公司，现在拉一个 AI 进来就要成为 AI 公司；但这次真的出现智能了。

十、两个割裂的形态：agent 群聊没人用，内容消费却先跑起来

• 群聊心智难学：想引入另一个人就得拉群，而群聊在中国之外都不流行；跟我的 Cola 聊天时 @ 一下季刚的 Cola 就很难学。人要学会一样东西必须有 trigger、前面得放个胡萝卜：要么大幅提高工作质量与效率，要么带来消费上的愉悦感。
• 割裂：我们关注 agent 的工作效率与生产；大量普通用户并不需要用 AI 工作，他们对 AI 的最大想象也不是 AI 玩具或 AI 视频。而内容消费的渗透比正经 AI 应用快得多：AI 短剧渗透已超过 8 个百分点，以前有内容追求的人不看短剧，现在越来越多有要求的人在看；刷到短剧会看完一集，剧情像小学生写的，但钩子一级勾一级，是生理性的。
• 门槛降到 0 后人人都有想法，但讲故事仍需人来讲，AI 只是"给一颗种子长出一棵树"。技术带来的好处是：以前只能在脑中想一想的事现在真能做出来、交付出去；更多人需要的是消费与内容生产（短剧、漫剧、游戏），很多擅长讲故事的人过去只是没被看见。

十一、割裂的行业与三个世界：效率、娱乐，以及 AI for Science 的滞后爆发

• 三个叠加的世界：原子世界、互联网比特世界、token 世界。token 世界（模型能力、harness、agent）与互联网世界结合（生短剧、写小说、提效）；另一条轴是 AI 世界与原子世界结合（救灾无人机等）。
• 行业割裂：搞消费的和搞效率的几乎互不讨论，彼此默认另一个世界的人不存在。"你只能看见你能看见的"——数据显示没人用 Claude，但上下文里就有一个在用的。
• AI for Science 案例：某家最近做癌症研究，请了一位美国做临床药物研发的博士，他认为临床实验巨慢而药物研发巨快。判断基点是：21、22 年基因编辑与蛋白质设计技术被发现后大量人投入，大量药物的临床试验将陆续做完并批量上市，未来三五年可能有很多疾病被治愈或延缓；近期中国实验猴涨价且不够用，正说明 AI 实验室已多到"抢猴"的程度。

十二、A2A 社交的两个假设、C 端 agent 新形态与上下文获取

• A2A 社交的前提是 agent 拥有你所有上下文、能找到全世界最符合你的 soulmate。它依赖两个假设：① agent 拿到你全部上下文、足够懂你——这块越来越好；② agent 去全世界寻找、跟别的 agent 对话帮你找人——这张网还没成型（Cola 能看到我，但看不到全世界其他人的 agent）。另一层认知是：真实关系是各自先有爱好、认识后互相知道，而不是先比对爱好再匹配。
• Gorog Bot 是激进形态：界面上什么都没有，你不断创建 agent，每个 agent 就是一个任务，界面就是一个聊天——回到最初 GPT 的单一聊天，但背后基建完全不同：分配永久性虚拟机记忆、连接能连接的所有服务，任务需要时自动弹出按钮、一键授权。要点是极简的连接与上下文获取加持久的云端服务（每人一台虚拟机）。
• 上下文怎么拿：走 MCP，本机笔记在本地时读、再同步到云端；不主动扫你电脑，而是在当前任务下授权同步某个文件夹，而非全量同步——矛盾在于：需要时把本机 100 个文件中的 3 个上传云端，还是让本地 agent 住进你电脑。
• 海内外差异：海外大部分产品已完成 agent 线上化且都有 MCP，国内一点开只有飞书能连；让 GPT 每周定时用 Apple Watch 健康数据甚至体检报告与病例做分析，医生不可能看完你所有上下文，AI 可以。过去一年对个人与企业影响最大的两项是语音输入法（语音转文字自动换行、自动序号，说的时候想到哪说到哪）与翻译（现在默认给你翻，语言的隔阂好像真的不存在了）。

十三、从看病说起：AI 的两项能力与上下文的清洗

• 医生不仅读不到你全部上下文，还会忽略你说的很多话。案例：一位用户慢性病 10 年、看过至少 10 个医生，没人听完他讲；他把十来年的感受讲给 Cola，Cola 推理出可能的病症并推荐用药，他拿结果找医生确认，医生说还真是、之前没有医生给过这个选项，服药后病治好。讲述者本人的脑雾乏力被 AI 判为缺铁性贫血也是同类例子。
• 提炼：AI 起码有两项能力——上下文的阅读能力（医生只有 10 到 20 分钟，AI 记得你一年来的日常）与很强的推理能力；充足上下文加专业领域推理，就能拿到好结果。核心是上下文获取。
• 有了正反馈后容易疯狂积累上下文（每天看的、读的、聊的都自动清洗入库），随之而来的是信息茧房：上下文太多后，即便明确 prompt 告诉他怎么做，他仍会把你拉回以前的平均值。所以"上下文是一辆要维护的车，而不是一个增值的房子"：不能指望产品替你整理，越多越必须自己处理。两条原则：顶层设计好什么时候不该读、什么时候才需要读，不要一上来就读全部；丢进去前先加工——不相关的旧描述会被摘过来、改变推理结构，所以每次进入前说明本次背景与对话记录，让它提炼出边界和约束。
• 项目化管理：每个完整项目单独管理、做完就翻篇，项目信息与个人认知分层抽取。agent 越多上下文越不够用，这正是坚持迭代自己 agent 的原因（可以用任何 agent，觉得好就加进来，即"六经注我"）。人际关系与情感不弄，项目、工作、认知会弄。

十四、闭环与信息茧房，以及模型价格的两条曲线

• 每个人都跟自己的 agent 形成一个闭环，各转各的都很开心。两层觉察：应该形成自己的闭环、不要照抄别人；同时要意识到自己在环中、别被困住。破茧的方法是：把做的东西发到网上，以及去进入长视频、读书，找 AI 之外的信息源自己消费。
• 模型价格：半年前与做出海的朋友打赌最先进模型会变贵还是变便宜，各押 100 元；DeepSeek 出来后疯狂降价、谁都跑得起，押"贵"的输了；最近 DeepSeek 涨价 12 倍，大家又用不起。从业者应当最关心价格——涨 10 倍直接影响整个商业模式；判断是价格差不多"就这样了"，Luna 已能满足 90% 人的需求、有些地方已免费，而顶尖模型（Fable、下一代的 Astra）依然很贵，开始分化：顶尖模型永远最新最强、价格持平甚至略涨，主流模型价格像指数下降；很多人为基准上五分十分的差距要付 50 到 100 倍价格，真用起来又觉得非常值。
• Harness 与底座模型像汽车底盘与引擎：以为 harness 可以随便插到任何模型上，实际"这个 harness 就该配这个底盘"表现最好，因为它们是联合训练的。一直在 Cloud 世界的人没看过 GPT、DeepSeek，其实它们写作更"逼真"；GPT 到现在也不说人话，Claude 用到 OFZ5 更惨，Humanizer 也救不了 Fable。
• 红皇后效应与缓存：若 harness 与模型解耦、切换 API 是任意的，模型厂商就只能拼命奔跑才能停在原地——用户切换零成本，昨天 3000 万用户今天可能归零。DeepSeek 降价时缓存极其低廉，在 Cola 里缓存率 96、在 harness 里经常 100%；缓存 90% 与 95% 是两个重要节点，成本可能差两倍，因为无缓存价格是有缓存的十倍到一百倍。核心问题是缓存可能降低输出质量，Cloud Code 现在的拉跨就可能是为降成本让模型与缓存过于极端所致。

十五、缓存、成本与产品：产品就是自己带一套 FDE

• Cola 主打的功能点都在大模型本身的线上——凡是要它做东西、做项目，都落在大模型的能力线上。取景框很重要：不告诉 AI 自己长期希望往哪走，它就是一个无状态的东西；一旦有 role model、有方向，模型能替你管很多事。
• 这可能是 harness 该做的事：让用户进来后找到一个目标，像多邻国——你说要学英语但不知道怎么学，它说你进来玩游戏打卡就行，先把人带起来。harness 要给用户一个目标、一条路径与方法。
• 结论：只给用户模型没有用，那只是工具，中间还有 gap，需要 FDE。什么是产品？产品就是自己带一套 FDE。 往后每个产品的细分会越来越不一样：每个模型想做的事、它的 onboarding 与 FDE 彼此关联，会越来越分化。

文章由 englife.space & manus.im 转写与梳理