L140_当Agent成为默认前提
这周我干了一件挺能说明问题的事。
我给自己那个半死不活的 side project 接了个 Agent，想让它帮我把散落各处的用户反馈自动归类、打标签、每周汇总一次。指令写完，我盯着屏幕等它「思考」，心里居然有点紧张——像小时候第一次把作业交给一个不太熟的同学帮忙检查。结果它两分钟就跑完了，分类得比我预想的干净。我愣了两秒，然后第一反应不是高兴，而是一种很微妙的空落：这件事，我上周还得琢磨半天怎么排期，今天它两分钟就干完了，那我到底还剩下点什么？
那个下午我翻了一堆东西，越翻越确认这不是我一个人的错觉。整个行业这周像是约好了一起把话挑明：智能正在变得便宜，Agent 正在变成空气。 便宜到你不会为它单独付钱，普遍到你不会把它当成一个卖点。而一旦某样东西变成默认前提，稀缺的东西就必然换一个地方待着。
—
先把「便宜」这件事坐实。就在 9 月底到 10 月初这一周，价格战打得像不要钱：Anthropic 把 Claude Haiku 5.5 的运行成本压到上一代的四分之一，顺手把 Sonnet 5.5 的缓存读取价腰斩到每百万 token 一毛钱；Google 放出 Gemini 4 Argon，单次输出上限从 6.4 万 token 干到 100 万；OpenAI 在 DevDay 上把 ChatGPT 从聊天框升级成 Agent 平台，还配了个成本只有旗舰五分之一的 GPT-6.1 Sol；Mistral 干脆开源了万亿参数的 Large 4。四条新闻指向同一件事——推理成本在加速塌陷。
a16z 那份《State of Markets》给这个现象起了个学名，叫杰文斯悖论：「智能越便宜，对算力的需求只增不减，反过来推高 GPU 价格。」翻译成人话就是，便宜不但没让大家少花钱，反而花得更多了，因为你能做的事一下子多了一个数量级。
—
然后是这周我觉得最值钱的半句话。
有个叫 Chris Lu 的人，把 YC 2026 夏季批次的 236 家公司、470 位创始人拉出来做了个数据分析。里面有个数字特别扎眼：在一句话自我介绍里用「Agent」这个词的公司，从春季的 27% 掉到了 19%。 你以为大家不做 Agent 了？恰恰相反。他的原话是——「没有人停止构建 Agent，他们只是不再把这个词放在最前面。」Agent 现在是默认假设，不再是创业命题本身（it’s the assumption now, not the thesis）。
这话我反复读了好几遍。它精确地描述了我那个下午的空落感：当「我做了个 Agent」不再能解释你是谁，问题就自动升级成了——那你到底把 Agent 跑在什么上面？用什么数据喂它？你拥有它干活的那门生意吗？
Chris Lu 给出的答案很硬核：优势正在转移到「套壳产品追不上的地方」——训练数据、环境、token、芯片、机器人。数据上，夏季批次做硬件的公司从春季直接翻倍到 45 家，做算力基建的 21 家，甚至有家公司专门「给算力经济做保险」。同一周，波士顿动力把前亚马逊 Alexa 负责人 Rohit Prasad 请来当 CEO，摆明了要把大模型灌进人形机器人。a16z 那句 «atoms are so back»（原子回来了），说的就是这个：当比特便宜到白菜价，值钱的重新变成了那些搬不动、复制不了、要真金白银砸进去的原子。
—
但这一期我真正想聊的，是另一半——信任。
因为「原子」这条线太宏大，离普通人有点远。而「信任」这条线，几乎渗透在我读到的每一个故事里。
a16z 刚发的消费级 AI 应用 Top 100 第七期，和 Menlo Ventures 的 2026 消费 AI 报告，罕见地得出了同一个结论：AI 用得很广，但用得很浅。 近一半美国人说自己用过 AI，但只有 25% 每天用；真正给三大模型付费订阅的消费者，只有 4.5%。Menlo 那份调研更狠——在他们测试的全部九个场景里，消费者无一例外都更偏好真人专家而不是 AI，非用户里 70% 根本不信任 AI 给的信息。
把「智能便宜」和「信任稀缺」这两件事叠在一起看，很多东西就通了。
Grok Bot 那个操盘手 Roman Ugarte 有句话，我认为是这周所有话里最戳的一句：「能 100% 完成工作的 AI 和只能做 90% 的 AI，感觉完全不同。」 因为那差的 10% 不是工作量，是心智负担——只要它做不到 100%，你就得一直挂着这件事，一直分神去盯它。而「一直盯着」的本质，就是不信任。flomo 那篇复盘更是把这个道理写成了血泪：他们早先靠外部渠道投递定时任务，失败率接近 99%，很多用户的任务被静默丢弃、排查无果，最后被逼着自己把 Agent 内置进 App——因为可靠性这东西，一旦漏了，用户对你的信任会连本带利地收回。
所以你看，当智能变得像自来水一样便宜，真正稀缺、真正能收费的，是「我敢不敢闭着眼睛把这件事交给你」。这是判断力，也是信任，两样都没有跟着产能一起通胀，反而因为太多、太快、太吵，在急剧通缩。
这一期，我想沿着「原子」和「信任」这两条线，把这一周读到、看到、被戳到的东西摊开给你看。
📚 深度阅读
236 家公司里，「Agent」这个词正在退场
如果说这周只能读一篇，我选 Chris Lu 对 YC 2026 夏季批次的拆解——它几乎是给「Agent 成为默认前提」这个判断做的尸检报告。
数据密度很高，但真正的洞察只有三层。第一层是结构迁移：模型以下的基础设施（能源、芯片、数据中心、训练、推理）占比从 8% 猛升到 20%，应用层从 55% 掉到 39%。创业者正在集体往下沉，往「重」的方向走。Scale AI 是被最多公司点名要取代的对象——8 家直接说要替代它，其他任何在位者被点名都不超过 4 次。
第二层是叙事的消失：交付型 Agent 公司从 45% 降到 33%，Agent 基础设施公司直接腰斩。不是不做了，是这个词不再是通行证。取而代之的四个新集群是算力建设（21 家）、推理降本（11 家，其中 5 家承诺砍掉 80% 以上的账单）、训练数据与强化学习环境。
第三层是「AI-native 服务公司」的崛起，这是我最想圈出来的：21 家公司不再卖软件，而是直接去经营那门生意——会计、保险、放射科、法律、货运、催收、量化交易。Chris Lu 的收尾堪称金句：这批公司「假设了 Agent，然后问的是——你把它跑在什么上面，用什么训练它，以及你是否拥有它工作其中的那门生意。」
我的启发是：这可能是「套壳创业」时代的正式讣告。当 Agent 能力被大模型厂商免费附赠，创业公司唯一能守住的护城河，要么是你脚下踩着别人进不去的数据与硬件（原子），要么是你干脆下场把整门生意做下来、对结果负责（信任）。夹在中间「用 API 拼一个更好看的界面」，会越来越难。
🔗：Chris Lu 原帖（X） ｜ 中文全译（十字路口 Crossing）
AI 正把文化变成黑暗森林
这篇是这一周读得最后背发凉的一篇。导火索是数学界的一桩公案：纽约大学的 Tristan Buckmaster 和 Anthropic 的合作者，靠 Claude、Codex 在纳维 - 斯托克斯这个千禧年难题上推进了近一年；OpenAI 听到风声后，调动约一万个并发智能体，只用 88 小时就得出结果并完成了形式验证。然后，双方陷入了署名争执。
专栏作家由此提出一个让我脊背发凉的类比——AI 正把文化变成黑暗森林：暴露一个未完成的研究方向，等于向更强的竞争者发出狩猎信号。过去「藏一手」是个人性格选择，今天因为 AI 的吸收成本归零，隐藏从性格变成了结构。文中引了技术作家 Venkatesh Rao 的「死亡森林」概念：成熟的小圈子有自己的讨论节奏和判断背景，公开世界只告诉你「有什么」，却不让你进入「它是怎么变成这样的」，于是形成一道无需付费墙的信息结界。
我不完全同意「人人都该做面壁者」这个结论——作者自己也承认代价惨重：切断了知识生长的根，认知回路从来不只长在一个人的头骨里。但我认同它戳破的那个真相：当贡献可以被 AI 独立复现，保密只能保护时间差，保不住价格。 声誉和回报不会按贡献自动分配。它给的出路其实很朴素——掌握真实需求、参与持续合作、留下可验证的记录、争取合理的收益安排，并保留换工具、换渠道的余地。说白了，在一个复制成本为零的世界里，你唯一能积累的是「别人验证过的、属于你的一次次交付」，也就是信任的复利。
🔗：原文（虎嗅转载）
Grok Bot 一个月封神，靠的是「笨办法」
Roman Ugarte 在 Lenny’s Podcast 上复盘 Grok Bot 的爆发，信息量极大，但真正反直觉的是两条。
一是手动 onboarding 前 300 个用户。核心团队亲自给早期用户打 20 分钟一通的电话，一个个观察真实用法。为什么不规模化？因为「用户的困惑，就是优先级」——你亲眼看着一个人在哪一步卡住，那个痛点第二天就变成修复任务，这比任何数据看板都直接。二是发布前拼命删功能，最狠的一刀是砍掉已经做好的调试可见性工具。原则是区分「can now（能力）」和「now has（按钮）」——99% 的自动化是通过对 Bot 说一句话完成的，用户永远看不到配置界面。Lenny 在旁边补了一刀：「AI 很擅长告诉你加什么，很不擅长告诉你减什么。」
他把产品哲学叫「colleague-pilled」——遇到僵局就问：「一个人类同事在这种情况下会怎么做？」由此不展示工具调用和思维链、用长期记忆而非每个任务开新窗口。给新用户的第一句 Prompt 也很有意思：「翻一遍我的 Slack 和邮箱，建议五件你能从我盘子里拿走的事。」
这篇和 Chris Lu 那篇形成绝妙互文：Grok Bot 的成功恰恰证明了「Agent 不是卖点，信任才是」。它没有在功能上碾压谁，而是把「你敢不敢真的把活儿甩给它、然后不看」这件事做到了极致。
🔗：Lenny’s Podcast 复盘（小宇宙） ｜ 中文深度复盘
🤖 AI 产品与公司
Kavak：一家「围绕 AI 重新设计」而非「采用 AI」的公司
a16z 播客请来了拉美最大二手车平台 Kavak 的首席产品与 AI 官，这可能是我听过的最激进的 AI-native 转型样本。
数字很吓人：每天为客户按需启动 10 万到 20 万个专属 Agent，每个跑在独立虚拟机里；96% 的客户交互、95% 的交易由 Agent 完成；销售转化率是人类团队的 2.1 倍；车贷审批从两个月压到 3 分钟内。最魔幻的实验是在墨西哥一座城市，把整座城的业务交给一个「AI CEO」管六周——它每天给一线员工派活、收语音汇报、动态调策略，原目标利润翻倍，实际提升了 50%。
但我最想引用的不是这些数字，是那句方法论：「6% 的改进来自把 AI 嵌进旧流程，10 倍的改进来自让 AI 重新定义流程。」 以及那句应该被裱起来的话——不要说「采用 AI」，要说「围绕 AI 重新设计公司」。Kavak 的架构选择印证了这点：它从「多 Agent 任务图」转向「一个客户配一个 Agent」，让每个 Agent 拥有完整记忆和长期目标。这又是一次「信任」的胜利——只有当 Agent 能像一个记得你全部历史的专属顾问那样工作，用户才敢把买车卖车这种大事交给它。
🔗：a16z Podcast: The Self-Improving Company
个人 Agent 的「信任基建」正在被抢建
一个容易被忽略但极其关键的信号：这一周，Meta 联合 Sierra 提出了一个叫 Personal Agent Protocol（PAP） 的开放标准，基于 OAuth，让消费者级 AI Agent 能被企业「安全地识别、认证并与之交易」。创始伙伴是 Shopify、Stripe、Walmart，v0.1 规范 10 月底发布。
同周，NVIDIA 也发了 Open Agent Safety Platform，把 Agent 的隔离和「kill switch」下沉到硬件层，100 多家机构参与。
这两件事放一起看，意思非常清楚：行业已经开始为「让 Agent 替你花钱、替你签约」这件可怕的事，铺设信任的管道了。 这恰好接住了 a16z Top 100 报告里那个尚未变现的巨大缺口——现在几乎所有 AI 收入都来自订阅和按量计费，只有 14% 的产品有广告，a16z 判断下一步的爆发点是「按购买行为而非按席位收费」的个人 Agent。换句话说，谁能让用户敢闭眼下单，谁就拿到了下一代商业模式的钥匙。Meta 的 Muse 不到一个月破 500 万下载，比当年 ChatGPT 和 Claude 都快，也是同一个风向。
🔗：Sierra: Introducing Personal Agent Protocol ｜ a16z: Top 100 Gen AI Consumer Apps（第七期）
flomo：把 Agent 塞回 App，是一场关于「可靠性」的自救
这篇是我作为笔记工具重度用户特别有共鸣的一则。flomo 最近把 Agent 内置进了应用本体，你可以随时 @ 过往笔记、追问、反驳、联想，还自带全套定时任务推送。
但真正打动我的是它披露的两场硬仗。第一场是可靠性：此前通过外部渠道投递的定时任务，失败率接近 99%，部分用户的任务被静默丢弃、排查无果，团队最终决定不再等——把 Agent 直接做进 App，通知收归应用内，只为换来一条可观测、可重试的链路。第二场是成本：DeepSeek 涨价后高峰期消耗变成原来的 12 倍，已经开发完的模型切换功能被迫搁置，团队花了一个月把成本压回涨价前，还额外做了「重置卡」，承诺不管上游怎么涨，点数耐用度不变。
一个笔记工具，被「定时任务失败率 99%」逼到自己造 Agent——这件事本身就是「信任稀缺」最生动的注脚。用户对工具的要求其实很朴素：我说好每天早上八点提醒我的，你就得真的提醒。做不到一次，前面所有的智能都白搭。
🛠️ 工具与技能
花叔开源的两个 Skill：把「好」编译进代码
独立开发者花叔（alchaincyf）这周开源了两个 Skill，都很有嚼头，因为它们都在解决同一个元问题：AI 不缺能力，缺的是「知道什么叫好」和「知道什么是真的」。
第一个是 huashu-mac-use，让 Agent 操控没有 API 的 macOS 原生应用。它的座右铭我一读就笑了——「读随便读，写不打扰，每一步都留证据」。它按四层自上而下探测可操控层（结构化接口 → 辅助功能树 → 窗口坐标 → 像素），读取永不抢焦点，写入默认用事件注入实现「零打扰」，只有过了四道安全门才升级。硬停止线划得极清：发布、支付、删除这类不可逆动作，一律交还人类。这又是一次「信任工程」——它不追求 Agent 无所不能，而追求 Agent「不越界、可验证」。实测里，Claude Code 用它 33 分钟在 Blender 里建出了一艘邮轮模型。
第二个 huashu-report 更狠，是「给 AI 用的研究报告规范」。花叔跑了个 19 个 Agent 的工作流，扫描 2026 年 42 份顶级机构报告（斯坦福、麦肯锡、BCG、世界银行……），把「品位」拆解成可比较的结构指标。核心机制我强烈建议所有内容创作者抄走：「数字必须先进数据表」——动笔前先建一个 JSON，每个数字一条记录，含数值、口径、样本量、出处和 verified 标记，正文只能引用表里存在的条目，编译器会拦下所有幻觉数字。他还有句取舍判据特别好用：「把这句话删掉，读者对研究结论的判断会不会改变？不变就是工作日志，删。」
这两个 Skill 放一起，其实是同一个信念的两面：在 AI 什么都能生成的年代，可信才是最贵的产品力。
🔗：huashu-skills（GitHub） ｜ huashu-mac-use ｜ huashu-report
一个 Dota 前 100 的网吧老板，怎么用 AI 管 700 台电脑
这是本周我最喜欢的一个真实案例，因为它把「AI-native 服务公司」这个抽象概念，落到了一个特别具体的人身上。
郭剑楠，浙大物理系毕业，Dota2 打到国服前 100，在浙江开了 7 家网吧、近 700 台电脑、42 名员工、年营收 1500 万。但管理一直是他的噩梦：想看一遍完整经营数据，要在不同平台间切账号、登后台 28 次，光月报就花七八天。转折点是他把收银系统、美团、抖音的账号授权接进 AI，让它每天早上自动发经营日报、分析和营销建议。
最见成效的是运维：CPU 温度、显卡负载实时监测，异常自动生成钉钉工单，维修周期从一两周缩到一天；清灰也从全量拆机变成精准定位那 20 台过热设备。零食由 AI 读销售记录提醒补货或下架，员工培训做成了游戏技能树。现在 7 家店每月省两三万，他每天花一两小时就能管完，省下的时间——每周打 Dota，东南亚服 500 名上下。
我特别喜欢他做的一件事：一张「决策时间轴」，把每次采纳 AI 建议的执行结果和门店数据挂钩，过一两个月回头看成效。这才是普通人和 AI 协作最健康的姿势——不是无脑听它的，也不是无视它，而是把它当成一个需要你持续验证、用结果建立信任的同事。
✨ 随便看看
- GEO 加盟堪比诈骗：GEO（生成式引擎优化）最先跑通的生意，居然是向普通人招城市代理收钱。「零加盟费」背后，首次进货、算力预存、保证金总有一个名目把钱收走。最讽刺的是错配——代理能触达的餐馆、装修公司、小门店，恰恰最不适合做 GEO。「品牌承担效果风险，代理承担获客风险，总部先把钱收走。」🔗：36氪
- 情况又变，35 岁成香饽饽了：斯坦福研究（陈如雨等）发现，在 AI 暴露最高的职业里，22-25 岁年轻人就业已落后同龄人约 19%，而 41 岁以上群体的「互补型」用法反而伴随就业增长。机制很清晰：AI 更容易替代「可编码知识」，对实践中习得的「隐性知识」则呈补充状态。真正的价值不在年龄，在「经验里那些难以标准化、能转化为判断与行动的部分」。🔗：腾讯新闻
- 消费 AI「广而浅」的硬数据：a16z Top 100 第七期——首次上榜的新面孔只有 11 个（七届最少，榜单在固化）；付费极端幂律，前 1% 用户月均付 903 美元，中位付费者只有 25 美元；ChatGPT 网页访问量约是 Gemini 的 2 倍、Claude 的 6 倍；只有 7 个产品同时登上网页、移动、收入三张榜。🔗：a16z
- Menlo：市场翻三倍，用户没怎么动：2026 全球消费 AI 支出约 400 亿美元，是去年 120 亿的三倍多；但美国成年人使用率只从 61% 涨到 64%。最扎心的一条——在全部九个测试场景里，消费者都更偏好真人专家；非用户中 70% 不信任 AI 信息。「消费者采纳有用的东西，但只留下他们信任的。」🔗：Menlo Ventures
- 84% 美国选民视 AI 为工人威胁：路透/益普索 10 月初民调，84% 受访者认为 AI「对美国工人构成威胁」，两党多数支持更严监管。同一周，2026 年科技行业累计裁员已破 22.5 万人。「AI 繁荣的另一面」这组硬数据，值得每一个从业者清醒一下。🔗：FourWeekMBA
- DeepSeek 逼近千亿融资、冲刺 2027 IPO：新一轮融资规模至少 800 亿元人民币（约 120 亿美元），腾讯、宁德时代领投。Bloomberg Intelligence 指美中顶尖模型的性能差距，已从年初约 15% 收窄到约 3%。国产大模型的「资本成人礼」。🔗：新浪财经
- AI 时代的「信任」正在被明码标价：OpenAI 推出隐形文本水印 textGrain 以合规欧盟 AI 法案，200 token 时检测率约 80%、400 token 时约 95%。当 AI 生成的内容多到无法辨认，「这段是不是人写的」本身成了一种需要被证明的稀缺品。🔗：MLex
写完这期，我回头又看了一眼自己那个 side project 的 Agent。它现在每周准时把汇总发到我邮箱，一次没漏过。
我好像不那么空落了。因为我想明白了一件事：它两分钟干完的，是「归类打标签」这个动作；而决定「要归哪些类、什么标签才对我的产品有用、这份汇总里哪条值得我停下来想五分钟」——这些它一样都替不了我。便宜的智能替我拿走了执行，却把判断和信任，更清晰地留回了我的手里。
这大概就是「当 Agent 成为默认前提」之后，我们每个人都得重新回答的问题：既然做出来不再稀缺，那你到底是谁，别人凭什么信你。
下期见。