Agent 时代启示录：当 Agent 作为新物种加入经济系统

发表于 2026-05-14 分类于 AI & Systems 阅读次数： Waline：

基于海外独角兽文章的延伸思考，讨论 Agent 如何改变软件形态、商业指标、基础设施和开发者工作方式。

闲聊：先吐槽两句

话说做 AI 相关的事两年多了，我一度有种”概念审美疲劳”——从 GPT 到 Claude，从 RAG 到 Memory，从 Agent 到 MCP，每隔一两个月就有一个新词冒出来。一开始我以为 Agent 嘛，无非是给模型套了个壳，让它能调几个工具，循环跑一下，仅此而已。

但读完这篇文章，私以为这事的体量被严重低估了——Agent 不是一个新功能，它是一个新物种。

打个不太恰当的比方：以前我们写软件是给人类打工的工具人；现在我们写的软件，要面向一个 7×24 不睡觉、不抱怨、不内耗的”新物种”打工。这个物种的特点是它既是消费者，又是生产者，并且它的人口可能在几年内突破地球总人口（想想就有点赛博朋克）。

下面是我对这篇文章的拆解和延伸思考，姑且整理成几个核心命题。

一、旧尺度在失效，DAU 不再是上帝

文章开篇有一个让我醍醐灌顶的对比：

Anthropic Claude 产品用户 DAU 总和只有 OpenAI ChatGPT 的 2%，但两家公司的 ARR 已经追平了。

这是什么概念？这就好比 1999 年用页面停留时间给 Google 估值——Yahoo 用户停留 15 分钟，Google 用户停留 30 秒就走，那时候分析师肯定会拍着大腿说”Yahoo 赢麻了”。但事后看，Google 用户停留时间短，恰恰是因为它太高效了，30 秒解决问题，剩下的 14 分 30 秒留给用户去喝咖啡了（笑）。

我把作者的几个核心观察列成表，方便对比记忆：

维度	互联网时代	Agent 时代
价值衡量	DAU / MAU / 用户停留时长	ARR / Token 消耗 / 任务价值
付费逻辑	per-seat（按席位）	per-outcome（按结果）
价值公式	流量 × 转化 × ARPU	任务价值 × 完成率 × Take Rate
终极天花板	广告预算 + 订阅费	全球白领工资总额（约 18-20 万亿美金）
To B/To C	边界清晰	边界已模糊到无法分类

第二行那个”per-outcome”特别值得玩味。Decagon 的 per-resolution 模型只有 AI 真正解决了问题才收费，Sierra 直接把「pay for a job well done」写进产品 pitch。这意味着什么？意味着 AI 公司的收费锚点不再是 IT 预算，而是直接咬向人力成本这块大蛋糕。

私以为，这个差距是 1-2 个数量级的——IT 预算和人力成本预算，根本不是一个量级的对手。

至于 To B / To C 的边界模糊，有一个细节我深有体会：工程师愿意自己掏腰包用 Claude Code 写公司项目（我自己就是其中之一）。这算 To C 还是 To B？Prosumer 这个老词突然焕发了第二春。

二、软件正在被重写：从 GUI 到 CLI 的”返祖”

文章里有一句话戳中了我：

CLI 就是 Agent 的母语，bash is everything for coding agents。

这句话乍一看似乎是技术怀旧风（”我们又回到了命令行时代！”），但仔细一想，这其实是一次深刻的格式迁移。

软件从设计之初就是 To Human 的——GUI、菜单、按钮、图标、动画，每一层抽象都是为了降低人类的认知负担。但 Agent 不需要这些（它要那些图标干嘛？）。一旦 Agent 成为主要的信息消费者，信息的天然形态就要重新设计。

不妨先卖个关子：你猜下一代 Salesforce 长什么样？

我之前的直觉是”更现代化的界面、更智能的推荐”，但作者给了一个反直觉的答案——下一代 Salesforce 不再是 CRM，而是 Agent 可以直接读写的客户数据语义层。GUI 只在人类需要做决策时按需生成。

是不是有点颠覆？销售手动录入 notes、call log 这些中间步骤，Agent 全自动搞定，人类只需要在关键节点（比如签合同、给折扣）做决策。

这个判断让我想起一个非常恐怖的推论：今天我们看到的所有 SaaS，可能都是过渡形态。它们的 GUI 不是产品的本质，而是因为之前没有 Agent 这个用户而做的妥协。

Claude Code 选择 CLI 而不是 IDE，是这个趋势最早的产品信号。

三、旧范式的漫长熊市

每次技术平台迁移，都是新范式原生公司赢，旧范式渐进迁移的公司输。这个规律 Cage 在文章里画了张图，列出了一连串名字：

桌面互联网时代：Yahoo 输给 Google
移动互联网时代：诺基亚输给苹果
云时代：Oracle 输给 AWS
……

每一次旧范式领先者都拥有数量级更大的用户基础、更厚的现金储备、更强的品牌。每一次最终赢家都是从零开始、为新范式重新设计产品和组织的公司。

为什么？文章给了一个我特别认同的解释：

原因不是旧范式领先者「不够努力」或「看不清趋势」，是旧范式难免会被之前的 best practice 牵绊住。

雅虎不是不知道搜索重要，是它的编辑导航逻辑和 Google 的爬虫算法在产品 DNA 层面就互斥。诺基亚不是没看到 iPhone，是它的供应链和组织结构无法快速转身。

那么问题来了（设问时间），在 Agent 时代，OpenAI 和 Anthropic 谁更可能赢？

作者的判断蛮有意思：OpenAI 的 8 亿用户是战略包袱，不是战略资产。

每一个面向轻度对话用户的优化，都是对 Agent 深水区的一次妥协。对话 UI 要兼顾新手和高级用户，Agent 产品则可以假设用户是工程师或高价值任务的 knowledge worker。Anthropic 没有这个包袱，所以它可以把 Claude Code 做成纯 CLI、纯 Agent-native。

不过作者也很谨慎地补了一句：这里不是预测 OpenAI 会输（OpenAI 的综合实力依然是全球最强之一）。最大的风险不在技术，在它的成功基础会不会让它在 Agent 范式的每一个关键选择上都慢半拍。

我个人觉得这种”包袱论”在国内的语境下也成立——某些大厂坐拥几亿 DAU，每次产品决策都要照顾”小白用户”，反而做不出真正硬核的 Agent 产品。这是不是给了一些小而美的创业公司机会？姑且观察。

四、To Agent：一个新物种加入了经济系统

这一节是整篇文章的核心。

作者定义了两个新坐标：

To Human：服务有具体目标、具体任务的人。To C / To B 的划分不再重要。
To Agent：Agent 本身成为生产者和消费者。它自主搜索、调用 API、开启 runtime、做采购决策、完成支付。

请注意，这里发生了一件人类经济史上从未出现过的事：生产者和消费者同时是非人类的双边市场。

我们来拆解一下这个闭环：

生产侧已经发生。Anthropic 在 2026 年 2-3 月，52 天发布了 70 多个 product features——这个速度互联网时代根本不可能。这些 feature 很多是 Agent 写、Agent 测试、Agent 部署的。OpenAI 在发布 Codex 时甚至展示了”no manual code”的工作模式。

边际生产成本将无限趋近于零。曾经需要团队一周完成的 feature，Agent 几个小时搞定。一家 100 人公司的产出，可以对标过去 1000 人公司的体量。

消费侧是生产侧的自然延伸。Agent 成为最大产能后，它需要的 API、算力、工具链也变成了一个独立市场。围绕这个新消费者，一整套基础设施正在被重写：

Stripe 和 Tempo 联合发布了 Machine Payments Protocol
Cloudflare 在 Bot Management 中新增 AI bot 分类
……

这些基础设施不是为了”让 Agent 也能用”——而是默认把 Agent 视为第一公民来设计。

读到这儿我有种背脊发凉的感觉。一个新物种正在悄无声息地接管经济系统的某些角落，我们大多数人还没意识到。

五、Agent = Model + Harness

最近 Agentic AI 领域有个很火的等式：

Agent = Model + Harness

Anthropic 这个月刚发布了 Managed Agents beta，Harness 第一次被产品化。这个动作的战略意义远大于技术意义。

我用 AWS 来类比一下，可能会更直观：

	过去：卖 Token	现在：卖 Harness
切换成本	改几行代码	重建整个 AI workflow
商业模式	API 计费	类似 AWS 的云平台模式
护城河	几乎没有	Agent 定义、状态、记忆都锁定
类比	EC2	IAM + VPC + S3 + Lambda

如果 Anthropic 沿着这条线继续推 Managed Skills、Managed Runtime，那么 LLM 公司将第一次拥有真正的护城河。

不过有一个反直觉的事实让我印象深刻：

2026 年最好的 Harness，比 2023 年的 LangChain 薄得多。

LangChain 时代是重工程——大量 rule-based 的 chain + guardrail，因为那时的模型不可靠，工程师必须用代码把不确定性包住。但去年底 Opus 4.5 越过 Agentic 能力拐点之后，越薄的 Harness 反而越强。

Claude Code 泄露后大家发现，核心的 Agent Loop 本身只有几十行代码。配套的工程（上下文压缩、Multi-Agent 协调、工具调用）才是 Harness 的真正厚度。

这一点我深有体会。最近自己在折腾一些 Agent 项目，每次想”是不是该写个状态机来兜底”的时候，最后发现：还不如直接 prompt 模型。模型聪明了，工程量自然就少了。这事儿挺颠覆传统软件工程直觉的。

六、我们看好什么：三个方向

文章最后给出了三个值得押注的方向，我用自己的话翻译一下：

1. Runtime 层：Agent 原生基础设施

核心问题：今天的 sandbox / 虚拟机都是为人类设计的，Agent 用着不爽。

举几个例子：

传统数据库假设有”长期维护”的需求，Agent 可能只用 5 分钟
传统虚拟机模拟”完整电脑”，但 Agent 不需要 GUI
Agent 有自己的原生需求：per-agent 状态隔离、Fork / Snapshot（用于分支探索）、Durable Execution（跨故障持久执行）

如果哪天 Agent 人口突然超过 70 亿（地球人类总数），现在的 infra 是绝对扛不住的。这是个数量级的机会。

2. Context 层：Vertical Harness

核心问题：Anthropic 做不完所有 Skills，垂直领域的 know-how 是模型公司做不深的地方。

Healthcare、legal、finance 三个人力成本最高的领域最先发生。OpenEvidence、Rogo、Sierra 这些公司，如果用上一代思维去看，会以为是”靠数据 + 牌照 + 客户关系”取胜的传统 enterprise business。

但作者点出了关键：他们之所以能切入上一代公司做不深的工作流，就是因为搭建了更适合 agentic workflow 的 vertical harness。

这个观察对国内创业者也很有启发——别和大厂卷通用 Agent，去你最熟悉的垂直领域，把 know-how 沉淀成 Harness。

3. Orchestration 层：把 Agent 当一等公民

这是我觉得最有想象力的一层。当 Agent 已经有了 infra 和 context，下一步就是身份和支付。

Identity 层：解决”这个 Agent 是谁、谁授权、出事找谁”——给 Agent 发身份证和工作许可
Payment 层：Stripe 的 Machine Payments Protocol、Visa Intelligent Commerce 是协议层第一批动作

作者举了一个极妙的历史类比：

银行本来应该做开放银行协议，但 Plaid 赢了。因为 Plaid 做的不是协议本身，而是协议上面的应用层（消费者数据访问、账户连接体验）。

类比到 Agent：Stripe 做好了协议层，但谁来做”Agent 版的 Plaid”？

这个问题留给读者思考（笑）。

七、最后聊聊：作为开发者，我们该怎么办

文章本身是写给投资人和创业者看的，但作为一个一线开发者，我想多聊几句自己的感受。

读完这篇文章，私以为有三件事值得我们每个程序员认真对待：

第一，重新审视自己写的代码到底是给谁用的。 如果你的产品最终的”超级用户”是 Agent，那你的 API 设计、文档结构、错误处理逻辑都要重做。一个面向 Agent 的好 API，应该是无状态、可重试、错误信息明确、参数自描述的。这和面向人类的 GUI 设计哲学完全不同。

第二，自己得真正用起 Agent。 我观察到一个很有意思的现象：身边对 Agent 最悲观的人，往往是用得最少的人；最乐观的人，是每天都在用 Claude Code、Cursor 写代码的人。这不是巧合。Agent 的价值要在每天的高强度使用中才能感受到，光看文章是体会不到的。

第三，别死守”传统软件工程”的金科玉律。 Harness 越来越薄、模型越来越强这个趋势如果继续下去，过去那些”必须用状态机”、”必须做幂等”、”必须类型安全”的教条都需要重新审视。不是说这些不重要，而是你需要重新评估它们的成本收益。

至于”Agent 会不会替代我”这种问题，我个人觉得不必焦虑——Agent 替代的不是程序员，而是那些不会用 Agent 的程序员。

工具替代不了人，但用工具的人会替代不用工具的人。

一言以蔽之，Agent 时代刚刚开始，所幸我们都还在场内。

最后用作者的一句话收尾：

范式转移带来的新机会让我们无比兴奋，但又深知其不确定性难以预测。就像尽管后视镜看来一切顺理成章，但人们很难在智能手机早期的时候预见后来的移动支付、短视频的机会。

写完这篇我突然想去敲会儿代码了——毕竟，纸上读来终觉浅。诸君共勉，不多说了，滚去写代码了 [抱拳]。