硅谷AI浪潮的转向：从Token Maxing到Token Efficient的Agent工作范式变革

来源: 查看

发布时间: 2026-08-20

摘要:

文章探讨了AI浪潮从关注模型能力转向关注Agent工程问题的转变。核心议题是探讨最大化Token消耗（Token Maxing）到经济高效使用Token（Token Efficient）的策略，以及Agent工作范式变革的深层含义，包括模型评估、开源与闭源模型的协同、本地化部署的潜力，以及对未来AGI到来时间点的哲学思考。

硅谷AI浪潮的转向与Token策略

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

有一个从关注科研

到关注工程的转向

曾经疯狂带头烧Token的

这些硅谷公司们

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

今天跟我在一起两位嘉宾是黄东旭

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

也是北京智源人工智能研究院的创始人

同时还是前金山的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）

Agent决策与Slock的Agent化

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

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

同时从

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

你一次让它干一个活

一复杂它就干不出来

或者说

可能这个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

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

我是不信任开源模型

但是DeepSeek V4开始

我就发现

这个东西它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

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

或者说付费的去干的

干不了太贵了

当时我就在自己的开源模型上

就跑一个工作流

让它持续在那跑着

我觉得会unlock（解锁）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

是的

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

他能够应对

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）

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

它并不是用最好的

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

包括宏江老师刚刚

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

对

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

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

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

还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

对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

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

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

哪些是白白浪费的

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

我觉得入口层面的

做出Agent应用的入口级别的机会

比如说Agentic Cloud

我相信一个点

就是未来这些

不管是Oracle也好 AWS也好

未来在Agent时代

会有Agent时代的Oracle

有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

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

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

成本与Agent的成本考量

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，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。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，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。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。

用户目标与Agent的投资机会

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，Agent-based Enterprise。这中间其实每一个企业要想生存，它最终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，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，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。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。

Agent群的“办公室政治”与Harness Engineering

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个东西出现了。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，有一些会有谁领导谁的这样的。其实没有。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。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一个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。于是我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。

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。所以你信任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。

AGI的到来与人类的未来

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。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。就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、每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的、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它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。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。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。已经到来了。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。对，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。

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。这个事情就我觉得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要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。存在主义危机。但我觉得没关系，life finds its way，是特别好。

宏江老师的背景与Llama Ventures的意义

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话，如何让自己的经验和教训能够帮到别人，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。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。

📌 文中提及的人物和组织

关键字: agent-engineering token-efficiency model-evaluation open-source-vs-closed agentic-workflow