L142_器在贬值，事在升值
这周一个做了十年设计的朋友来找我，说想把「Agent 那套」学起来，问我先装哪个。
我张口想报几个名字，报到一半卡住了。因为我想起来，那几个东西我已经很久没打开过界面了——我只是把事丢给它，然后去看结果。他又问了个更具体的问题：某个功能在哪一栏。我答不上来，顺口说了句「我让 Agent 点」。
他愣了两秒，笑着问：「那你到底还会不会用？」
这句话把我钉在那儿了。
说来好笑，我在这行待了快十年，简历上曾经写过「精通」七八个软件的名字，那些词一度是我谋生的凭据。可现在，面对一个最朴素的「你会不会用」，我居然答不上来。不是不会，是那个问题本身已经不对我的生活生效了。
—
我花了几天想这件事，越想越觉得这不是我一个人的小尴尬。
过去二十年，存在一种可以明码标价的中介能力，叫「会用工具」。招聘 JD 上写「熟练使用 Excel」，简历上写「精通 Figma」，公司里最值钱的是「那个懂系统的人」。这种能力的结构很特殊：你不直接生产结果，你操作一个东西去生产结果。它之所以值钱，是因为器有门槛——门槛就是租金。
这一周读到的几份材料，几乎是在从不同方向拆这道门槛。
一位做投资的朋友在演讲里说得很直接：写代码、做图、翻译、生成 PPT，这些单点能力的供给越来越多、壁垒越来越低、切换成本趋近于零，所以它们的利润必然趋近于零。他把这件事浓缩成六个字——利不在器。
顺着这个判断往下推，就会碰到一个让人不太舒服的问题：如果「会用器」不再值钱，那靠「会用器」建立起来的职业身份，地基在哪儿？
—
先把话说明白，免得被误读。这不是「人要被取代了」的老调。恰恰相反，这一周我读到的所有东西，指向的是同一个方向——人被从「器」里推了出来，推到了「事」的那一侧。
器是什么？是软件、是设备、是模型、是某个单点技能。事是什么？是要解决的麻烦、要交付的结果、要承担的后果。
过去，器横在人和事之间，你必须穿过器才能碰到事，所以器收过路费。现在这道关卡正在被拆掉：Agent 不需要「会」那个软件，它只需要看得见屏幕、点得到按钮；组织不需要「有个懂系统的人」，它只需要一个能被查询的数据库；连记录这件事，都不再需要一个「会写文档」的人，只要有人愿意把话说完。
器一旦不需要被操作，它就从「技能」退化成「耗材」——你能买到，别人也能买到，价格就会被压到接近成本。
所以这期的标题，我用的是那句「利不在器」。不是因为它好听，而是因为它把这一周所有看似不相干的事，收在了一句话底下：器在贬值，事在升值，而这两件事之间那个曾经站着人的位置，正在空出来。
至于空出来的地方该站谁、站上去之后要干什么——这是这一期真正想聊的。
📚 深度阅读
利不在器：为什么所有 20 美元的 AI 订阅终将被踏平
这篇是周喆吾写的，起点是一场中科大校友会的活动。一个新生站起来问：AI 来了，我该选什么专业才不被淘汰？旁边一位做了二十年投资的老校友接过话筒说：你问反了——你能考上这里，说明你是聪明人，问题不是选什么专业能躲开 AI，而是怎么站到 AI 这边来，去革别人的命。
我喜欢这个开场，因为它把「逃」和「进」这两件事分得很清楚。而整篇文章干的，就是解释「进」到底进哪儿。
他的第一刀，切在「为什么 AI infra 赚钱、AI apps 不赚钱」这个反差上。
常见解释是「卖铲子永远比挖矿赚」，他觉得这个解释太单薄。再往下问一步：谁在买铲子？不是 AI 创业公司，是传统企业买 AI infra 回去改造自己的供应链和服务。于是他给出了一句很锋利的对照——AI app for AI users 是零和博弈，传统行业买 AI infra 是增量创造。前者是在一群本来就赚不到钱的人之间抢钱，后者是让一个本来就在赚钱的生意多赚一点。
第二刀，切在「单点能力」上。
器盈则贱。写代码、做图、翻译、生成 PPT，供给多、壁垒低、切换成本为零，利润必然趋零。他把这种现象叫作「踏平」——不是被谁打败，是被磨平。他举的例子很具体：Manus 刚起来就被 Muse Spark 截胡，Cursor 势头正猛转眼 Claude Code 出来了。都不是产品做得不好，是这个位置本身不承重。
那什么承重？他的答案是 workflow capture：接管一条完整的业务流程，交付一波明确的营收增长。他给了一个特别实在的算法——帮客户一个月多赚 50 万，可以收他 30 万，他不在意你背后跑什么模型。所以在他这套逻辑里，token 成本根本不是 AI 落地的核心瓶颈，决定性因素只有一个：能不能跑通全流程的增量营收。
客户愿意长期付费的 KPI 也只有一类：绑定在真实 P&L 上的垂直 ROI。其余皆为 demo。
后面那句算账公式，我抄下来了：替人率 × 人数，乘出来就是可分割价值。顺着这个逻辑，他点名了目前最好的靶场——电商、直播、游戏公会、保险销售团队、网课销售团队。共同特征是：大量白领做重复度高的认知劳动，人力是最大成本项，产出直接可量化。
第三刀最狠，也最容易被忽略：这不是需求侧的生意，是供给侧的生意。
他先否掉了需求侧。帮你比价、筛选、做决策，有用，但用户不愿付费——你用 AI 帮你挑了一条裙子省了十分钟，你不会为此每月付二十块。然后他把镜头切到供给侧：企业用 AI 重做产品、服务和运营，AI 的成本进 COGS，靠更好的 unit economics 覆盖。消费者根本不知道后面有 AI，只知道这家东西更好、价格更合理、服务更到位。
这里有一段判断，我觉得是全文最有价值的：
过去品牌卖完一件商品，和消费者的关系基本就断了。不是不想维护，是维护成本太高。持续理解每个客户的偏好、主动提供个性化售后，传统成本结构下只有奢侈品牌对顶级 VIP 做得起。当认知劳动成本趋零，你可以从第一天就把这种能力写进产品定义和组织架构里。
也就是说，真正发生的不是「客服效率提高 30%」，那是优化；而是**「什么样的企业，在经济上第一次变得可行了」**，那是变革。
我的看法，有三层。
第一层是认同：这篇把「AI 应用不赚钱」这个模糊的体感，拆成了一个可以检查的结构——你是零和博弈还是增量创造？你接管的是单点还是流程？你的客户 KPI 绑在 P&L 上还是绑在「感觉不错」上？这三问拿去体检任何一个 AI 产品，都能问出东西来。
第二层是提醒。那个公式「替人率 × 人数」非常诚实，诚实到有点刺眼：它的本质是向下议价——把一群人的劳动价格压到零，然后从省下的钱里分成。这在商业上完全成立，在政治上一定会有反弹。而「供给侧」这个词很巧妙，它把这件事包装成「给消费者更好的产品」，从而绕开了那个真正的问题：这批被替掉的人，去哪了？文章没有回答，我也不打算在这里替它回答，但我觉得读这篇的时候，心里得给这个问题留个位置。
第三层是不同看法。他赌的是「token 成本明年降 30 倍，敢在这个窗口期亏着干的人，吃到的是成本曲线的时间差红利」。我的疑虑是：成本下降的同时，任务的复杂度也在上升。单次推理确实越来越便宜，但 Agent 干一件事要花几十上百次推理，还要反复重试、校验、回溯。总账单是不是降的，取决于你让它干多复杂的事——这里有个杰文斯悖论的影子。他其实也承认了「今天的账面没打平」，只是把这当成战略投入。这个赌法没问题，但它不是「成本必然下降」的确定性，而是「成本下降的速度要快过我胃口膨胀的速度」的赌局。
最后那一段回到「利不在器，在器所成之事」，落到了鸿蒙智行：不卖 SaaS，不收咨询费，深入到产品定义和品牌运营里，和有制造能力的产业伙伴联合造面向消费者的产品，对经营结果负责，共享利润。
这条路很重，也很慢。但它确实回答了一个问题：如果器不值钱了，那值钱的到底是「事」，还是「能把事办成的那种组织能力」？
原文：周喆吾《利不在器：论为何 AI 应用都不赚钱》
🔗：mp.weixin.qq.com/s?__biz=MzU2MTgzMjQyMA==&mid=2247485185&idx=1&sn=d6baf9dc75704fd21b72c1a07f344d30
YC 把整个公司塞进了一个 Postgres
如果把「利不在器」当成诊断，那 YC 这份东西就是一份具体的施工图。
来源是 YC 普通合伙人 Pete Koomen 的一期播客（他此前创办了 Optimizely），中文整理版做得很细。整件事的起点特别朴素：要和财务团队一起做一批工具，用来登记日记账分录、记录融资定价这些活。传统做法是财务讲一遍复杂的流程，工程师翻译成软件，再交回财务用。这个过程非常低效。
同一时间，Pete 自己正在用第一代 Cursor 和刚出现的 Claude Code，感觉像获得了超能力。于是一个念头冒出来：为什么不在 YC 内部构建一些工具，让 Agent 跑起来，把财务从「依赖工程师」的循环里解放出来？
注意他的目标不是让财务学写代码，而是让财务用英文提示词编码自己的工作流。这个差别很小，但非常关键：前者是把人改造成程序员，后者是把人从等工程师的那个队列里解放出来。
第一个真正带来魔法感的，是一个共享的工具注册表。 其中一个关键工具让 Agent 能对 YC 数据库跑只读 SQL 查询，另一个让它能读模型文件。
一开始工具都很受限、领域很窄。但很快所有人都觉得挫败——限制太多，干不了真正想干的事。于是有人试着给 Agent 更完整的数据库访问权限。听起来像在违反规则，结果运行得非常好。
为什么 YC 敢这么干？因为它的基础设施有个别人没有的特征：YC 运行在自研软件上，而这些软件背后是同一个 Postgres 数据库。投过的公司、创始人、财务交易、内部 CRM 的笔记，全在里面。很多公司把这些职能分散在第三方 SaaS 里，YC 自己造了这些系统。所以它拥有一个包含所有重要上下文的单一数据库，再给 Agent 一点 schema 说明，它就能回答任意复杂的问题——比如「请列出过去四个批次里投资过太空相关公司的所有投资人」。
这里有一个我觉得整篇最重要的观察，整理者用了一个词：杰文斯悖论。
能力变强本身不稀奇，稀奇的是它带来的连锁反应——人们愿意提出的问题数量爆炸了。过去要用商业智能工具问一个「哪些投资人投过太空公司」，得写几个小时 SQL，除非这个问题极其重要，否则根本不会有人问。现在随口就问。当完成一件事的沟通成本下降，需求量就会显著上升。
这跟 140 期聊的推理成本塌陷是同一个机制，只是换了个场景：便宜不只是让同样的东西变便宜，它让原本「不值得问」的问题变成了「值得问」。 而这些问题里，藏着组织真正知道自己不知道的东西。
第二个机制，叫组织自我改进，也就是「梦境循环」。
发展路径很有意思：最早人们写自己的系统提示词，后来写技能（skill），再后来开始写元提示，让模型自己改进提示词和技能。现在 YC 已经有一些自治的自我改进循环。举的例子特别具体：一个通用智能体每天晚上读员工当天与它的对话，寻找它本可以做得更好的地方，以及「如果提前知道某些上下文，是否可以更高效地完成任务」。它还会读会议记录，把关于人和公司的信息写回内部数据库或 CRM。
落地的案例是「两句话描述」这个技能——用任何人都能理解的自然语言，说明公司做什么、以及为什么有趣。听起来容易，创始人写起来很难，因为创始人自己拥有完美上下文。合伙人 Tom 写了初始技能，小组 office hours 的会议记录又被智能体学进去，技能明显变好。Pete 认为它已经超过自己。
第三个机制，是默认开放。
YC 默认让全职员工都能看到智能体对话，并把它广播到内部 Slack 频道，任何人都可以加入查看和学习。这个决定并不容易，内部也讨论过「如果每个人都能看到一切，这是否可以接受」。最终他们选择保持开放，而且事实证明是对的——人们通过观察别人怎么用，学会了怎么用。
这段我觉得是全篇最值得抄的一句，因为它承认了一件事：「默认公开广播」既是学习机制，也是社会控制机制。 Agent 在获得大量上下文非受限访问时最强大，但这与大多数组织的运行方式相反；把对话默认公开，会形成一种社会控制，限制人们滥用能力。
然后他给出了那句被引用最多的话：真正智能体化、千倍效率的组织，必须具备两个特征——相对平等，以及默认信任。这两点在世界上大多数组织里都不存在。
我的看法。
第一，这套东西最容易被误读成「买个大模型 + 接个 MCP 就完事了」。但整篇真正的门槛不在技术，在**「同一个 Postgres」**。绝大多数公司的上下文不是不存在，是碎在十几个 SaaS 里，谁也没有权限把它们反规范化成一张为 Agent 优化的大表。这件事听起来像数据工程，其实是政治工程——它要求每个部门把自己的数据交出来，而且交到一个所有人都能查的地方。
第二，「梦境循环」这个词很漂亮，但它的实质是把「组织的记忆」从人的脑子里搬到一个 schema 里。好处是新人第一天就能调用老员工的直觉；代价是组织开始依赖一个它无法审计的东西。Agent 用只读 SQL 回答「哪些投资人投过太空公司」，没人能说清它中间走了哪几步、有没有漏掉一个改了名的表。
而 YC 对这个问题的解法非常「人」：不是做更严的审计，而是让所有人看得见。用社会透明度去替代技术可解释性。我认为这是这篇最有意思的地方——它承认了在 Agent 时代，信任不是算出来的，是长出来的，靠的是一群人长期在一个能互相看见的环境里工作。
第三，也是我的一点保留。「默认广播所有 Agent 对话」在 YC 行得通，是因为它小、同质、精英密度高、且所有人都清楚自己是来干什么的。搬到一家两千人的公司，同样的动作会立刻变成监控工具——这不是政策设计的问题，是组织性质的问题。整理者自己也加了一句很清醒的注：搬进两百人的公司，先得看看自己有没有那个信任基础。
还有那个数字，我觉得应该单独拎出来说：愿意每年花一万到十万美元买 token。这不是一个技术预算，这是一个组织决心的标价。它等于在说：我承认「让每个人都能随时问出复杂问题」这件事值这个钱。绝大多数公司的 AI 预算表上，没有这一行。
原文：Pete Koomen 在 YC 的分享《Inside YC’s AI Playbook》（中文整理：奶牛Denny《硅谷AI原生组织手册》）
🔗：youtube.com/watch?v=B246K_G7mHU
齐俊元想做的，是「你开口之前就把事做完」
第三篇是赛博禅心走访 Today AI 办公室的对话记录。作者说得很清楚：不涉及实测，只是取经。
Today.ai 是齐俊元的新作品，定位下一代 Personal Agent。有个细节我特别喜欢：他在 2014 年就买下了 today.ai 这个域名，当时想做 AI 个人助理。十二年，一个域名等他等到现在。
团队给的答案很干脆：他们和其他产品的差别在两点——长程 Memory 和主动性 Proactive。
大部分 Agent 的使用是从一个具体任务开始的：我提需求，它调工具，交付结果。Today 想让助理长期围绕同一个人工作，对你的了解随着使用不断积累，影响后面的安排，也帮助它判断下一件值得做的事。
第一个问题：拿到日历和邮箱权限，一个 Agent 就了解你了吗？
这个问题是 Today 团队反问作者的。他们的拆解很细：收到一封邮件，很多时候意味着别人想让你做什么；而你主动发出去的邮件，更可能在介绍自己、表达需求、作出承诺，那是你的意图。这些都是明面信息。但如果是一个人类秘书，也会关心行为信息——比如某个来源的邮件你一直不读，这也是信息。但没读未必是不感兴趣，过去的兴趣也未必一直有效。
由此得出一个判断，我觉得是整篇最有分量的一句：
如果只是写一个很通用的提示词，让模型把它认为重要的事情记下来，通常效果很差。
即便拿到同一个邮箱，两个 Agent 形成的记忆和建议仍然可能很不一样。所以他们的结论是：记忆系统需要针对具体场景设计——收集哪些信息、怎样理解人的行为、什么值得记下来，都要把对场景的理解放进去。他们把这些整理在 Memories 里，记录个人背景和偏好，后续的交互与反馈会继续修正这份记忆。
作者追问了一个很尖锐的问题：这里有很多先验经验，人只负责给反馈，我们会不会越来越像一家数据标注公司？团队不认同，说这依然是产品经理的工作——你很懂一个领域，就把这种理解放进产品，让更多用户受益。作者换了个说法：先验经验之于 harness，如同数据之于模型。团队觉得这个说法更接近——模型可以一样，但对人的理解不一样，做出来的助理就会有差别。
第二个问题：北极星指标是什么？
答案是 DAU。用户主动发起 query 的次数，优先级被放得非常低。他们最关心的是：Agent 主动帮用户解决了哪些问题。
「我们做的是主动性的 Agent，希望用户在开口之前，Agent 就直接把事情做了。」
产品示例里有个场景我很喜欢：你昨晚睡了不到六小时，上午十点又有品牌评审，它会问，要不要把今天的长距离散步挪到晚上，先准备评审文档。这里用到的既有原来的计划，也有新发生的情况。它还会提前整理当天的简报，让用户打开产品时就能看到今天要处理的事。
第三个部分，是我觉得这篇最实用的地方：用 Today 替代自己的外教。
Today 的 PM Suki 分享了自己学外语的过程：先做一轮测试，测完建很多 scheduled tasks，告诉它周一学什么、周二周三学什么；它根据反馈调整课程计划——你说最近不想学这些单词，想难度更高一点，或者换一个 topic，第二天计划就调整。它个性化的地方是「这个课程完全 for 我一个人」。她还会把生活里的熟人编进课程当角色，后来发现自己更喜欢互动学习，又让它做了一个拼词游戏。她的总结是：「整个过程完全替代了我的外教老师。」
作者由此提炼出一条找需求的思路，我觉得这条比很多方法论都值钱：
看人们原来在为什么花钱。1v1 外教和健身教练都是先了解你的水平、再安排课程、跟进学习、再根据反馈调整，恰好是 Agent 现在就能干的。
然后是最难的一块：开放世界的判断。
工作 Agent 好评估，代码写得能不能跑一眼就知道。但个人 Agent 面对的是开放世界，充满主观判断。作者举的例子特别狠：「帮我给邻居发邮件，让他别再吵了。」假定邮件发出去了，这个 task 算成功了吗？未必。我的真实需求不是「发出邮件」，而是「让他别吵」。
联合创始人高策的答案仍然落回 Memory 和 Proactive：用户长期以来是什么样的人、最近发生了什么、什么事值得主动去做，都需要产品持续组织和使用相关信息，不能只靠模型当下的 working memory。
作者最后自己加了一句判断，挺敢说的：这赛道纯应用层能不能跑通？他觉得创业团队要活下来，避免跟巨头正面竞争，还是得走硬件路线，推出自己的 Context 收集产品。
我的看法。
第一，这篇最扎实的地方是它承认了「记忆」不是技术问题，是产品问题。所有人都在说「给 Agent 加记忆」，但真正难的是决定记什么。发件箱比收件箱更值得记，因为发出去的才是意图；某个来源的邮件你一直不读，也是信息，但「不读」的原因可能有一百种。这种颗粒度的判断，是产品经理的活儿，不是模型能力的活儿。这也是为什么团队会说「先验经验之于 harness，如同数据之于模型」——他们都同意，这个比喻才立得住。
第二，北极星选 DAU 而不是提问次数，这个决定值得琢磨。提问次数是一个「用户来伺候产品」的指标，DAU 是一个「产品伺候用户」的指标。选前者，团队会去优化唤醒、推送、入口；选后者，团队只能去优化「它到底替我解决了什么」。这两个方向会长出完全不同的公司。
第三，「看人们原来在为什么花钱」这条方法论，我觉得比文章本身更有生命力。它绕开了「AI 能干什么」这个从技术出发的问题，直接问「哪些钱正在为一种可以被拆解的流程付费」。1v1 外教贵，贵在三件事：了解你、给你排计划、每周等你。前两件 Agent 已经能干，第三件最难——因为「有个真人每周等你」本身就是产品的一部分，是压力，也是关系。Agent 能替掉流程，但很难替掉「有人在等你」这件事。 这也是我对「完全替代外教」这个说法保留一点的原因：语言学习里，那点社交压力可能才是续费率的关键。
第四，我翻到了文章附录里齐俊元 2014 年写的那段话，看完有点感慨。他写：「我的代办事项清单已经堆了满满几百项，连点开的勇气都没有。待阅软件更是连数字都已经没法显示，直接是一个无穷大的符号。原因却很简单，这是事没有在我应当处理的时候去做，后来就不断拖延，日复一日，终于成为再也无法撬动的巨大石阵。」
十二年过去，问题一个都没变。变的只是我们终于有了一个可能撬动石阵的东西——而它撬动的方式，不是把清单整理得更漂亮，是在你打开清单之前就动手。
原文：赛博禅心《对话 Today AI》
🔗：mp.weixin.qq.com/s/KGkqa0y-DLGMNC9Zu1C9SA
下一代人不会知道自己的 Agent 用了什么软件
LukeW 这篇是这周读到的、把「抽象层次」讲得最清楚的一篇。他先回顾了自己去年画的那张 AI 产品演进图，当时的结论是「下一步必然是模型之间互相协作去完成任务」，现在确实到了 Agent 编排阶段。那再下一步呢？
他的观察起点很具体：最前沿的那批开发者，已经在同时盯着上百个、有些情况下更多的 Agent 协作写代码、测试、发布。 聊天时代诞生的开发工具根本扛不住这个量。
于是他们把自家的开发工具 Intent 重做并开源了。做法是把任务拆成一个个隔离的 workspace，每个 workspace 有独立的文件副本，Agent 之间不会互相踩；每个 workspace 跑在「活的 spec」上，配一个 coordinator 负责拆活、派给专门的子 Agent、不需要人一直盯着；上面还有更高一层的 Agent，跨多个 workspace、多台设备统管。
重点词是两个：observability（看到在发生什么）和 introspection（搞清为什么）。
然后是那句真正让我停下来想了一会儿的话：
就像大多数电脑用户不知道也不关心自己的应用跑在什么代码上，更不用说操作系统为了和硬件打交道而跑的更深的代码——他们很快也不会知道、不会关心自己的 Agent 是怎么使用电脑上的应用的。一层新的抽象会让人们以另一种方式完成工作，那种方式不需要他们了解（更不用说学会使用）我们今天花所有时间打交道的软件。
我的看法。
第一，这篇的价值在于它给出了一个时间尺度。大多数人讨论「AI 会不会取代软件」时，想的是「软件消失」。LukeW 说的不是这个——软件还在，只是退到了你看不见的那一层。他拿操作系统打比方，这个类比很准：你今天用电脑，不知道文件系统怎么调度 inode，也不影响你用电脑。下一代人用 Agent，不知道它调了哪个 App 的哪个接口，也不影响他把事办成。软件没有消失，它变成了 Agent 的手。
第二，也是我觉得需要补一句的地方：抽象层次每上一级，效率提升，同时人对底下的知情权减少一级。这是同一枚硬币。你今天不知道 inode 怎么调度，代价是文件系统出问题时你束手无策；下一代人不知道 Agent 怎么用软件，代价是当它用错的时候，你连「它错在哪一步」都说不出来。所以他才把 observability 和 introspection 放在那么重的位置——那不是产品功能，那是给抽象层留的一扇后门。
这也正好接上 141 期聊的「接缝」：上一期说软件之间那些缝需要有人填，这一期说缝会被抽象掉。但抽象掉不等于消失，它只是从你眼前移到了你看不见的地方。缝还在，只是你不知道它什么时候裂。
原文：Luke Wroblewski《AI Agents and Layers of Abstraction》
🔗：lukew.com/ff/2159/ai-agents-and-layers-of-abstraction
🌊 本周产业：三家在同一周做同一件事，但在三个不同的层
翻这一周的产业新闻，有个巧合让我觉得不是巧合：10 月 12 日 Meta 发新模型，10 月 13 日 Gemini 4 Argon 全球开放、千问的 AI 眼镜和耳机同日开售。三天之内，模型层、Agent 层、硬件层各来了一记。
模型层：上下文变成一整座图书馆。
Gemini 4 Argon 在 10 月 13 日面向全球开放，当天 API 就直接全量可调。最硬的一个数字是单次输出上限从上一代的 6.4 万 token 拉到 100 万，上下文窗口 1,048,576，编码基准 DeepSWE v1.1 拿到 77.9%，定位在软件工程、企业知识工作、网络安全防御这类复杂长流程任务。API 给了限时五折——输入每百万 token 2 美元、输出 10 美元，优惠到 11 月 30 日，之后恢复 4 美元和 20 美元。
Meta 这边，10 月 12 日发布 Muse Wonder 和 Muse Wonder Full，内部代号「西瓜」，是超级智能实验室成立以来的首个前沿模型系列。最值得注意的不是跑分，是路线拐弯：Meta 首次放弃开放权重，转向闭源。Muse Wonder 走 API（每百万 token 输入 4 美元、输出 20 美元），更强的 Wonder Full 不开放 API，只放进 Muse Code 每月 50 美元和 200 美元的订阅档。
它主打的两个能力，恰好和 Today AI 是同一个方向：Active Memory（主动记忆），跨会话保留用户相关信息，不用每次都重新自我介绍；Active Focus（主动专注），遇到障碍时换条路而不是直接停住，必要时回来跟用户确认。
Agent 层：从「记得你」到「不中途卡死」。
你注意到没有，Meta 和 Today 说的是同一件事的两种说法。一个从模型能力出发，一个从产品指标出发，但落点都是：Agent 的价值不在单次回答，在长时段里那个「不用重新交代」的连续性。
这也是为什么 Today 把北极星定在「主动解决了多少问题」而不是「被问了多少次」。单次回答的边际价值正在被踏平——那正是「器」的部分。剩下的是连续性，是「它知道你上周说过什么」，是「它在你没说的时候已经在做了」。连续性不是能力，是关系。关系不好被商品化。
硬件层：Agent 从口袋里被拿出来戴上。
10 月 13 日，千问正式开售 AI 眼镜 N1 / N1 Pro 和一款 AI 耳夹式耳机。眼镜到手价 2218 元起，耳机 1099 元起。N1 系列是 5000 万像素影像，支持全天候环境感知、翻译、会议纪要、语音办事；N1 Pro 多了三样——体征实时监测（心率、血氧、皮肤温度）、眼动交互、虹膜核身（和蚂蚁 gPass 共研，误识率低于百万分之一，配合支付宝「看一下支付」）。耳机是千问和 Bose 一起做的开放式耳夹，支持 89 种语言实时翻译和会议听记，也能语音交办后台任务。
千问事业部副总裁宋刚的说法很直接：AI 穿戴是千问在物理世界的延伸，也是 Personal Agent 的重要组成部分；App 让 Agent 拥有办事能力，硬件则让它更好地进入真实世界、具备主动服务能力。
把三件事叠在一起看，我觉得有个判断可以下：
它们都在抢同一个位置——用户开口之前的那个位置。
模型层靠「把整个库一次喂进去」抢，Agent 层靠「记住你、别卡死」抢，硬件层靠「一直在你身上、能主动感知」抢。三条路完全不同，但终点一致：谁能在你要开口的时候已经在做了，谁就拿走了这个入口。
而「利不在器」正好解释了为什么这件事这么急：模型和硬件都是器，都在以肉眼可见的速度商品化——今天 100 万上下文是旗舰配置，明年就是标配；今天 2218 元的眼镜是新品，明年就是大路货。器会被踏平，所以必须抢器之外的东西。 那个东西叫「它已经在替你做事了」，也可以叫「你懒得换掉它了」。
这里还有一层我觉得更值得警惕：硬件是用物理存在换上下文。一副一直戴着的眼镜，知道你在哪、看着什么、心率多少、和谁说话。这份上下文的浓度，是手机永远给不了的。而「主动服务」这四个字要成立，前提就是这种浓度。所以这一轮的竞争，表面上是抢入口，实质上是抢「谁被允许知道你最多」。
这条线，我猜明年会有很多麻烦。
🛠️ 工具与技能
给 Agent 装上手和眼：三件绕开 API 的东西
这周工具区最让我感兴趣的不是某个「更好用的 AI 应用」，而是三件同类的东西——它们都在做一件事：让 Agent 直接操作那些没有 API 的东西。
第一件，iPhone Use。 一句话说清：让 Codex、WorkBuddy 或豆包工作通过 USB 操作你的真实 iPhone。自然语言描述任务，助手就能打开 App、读取页面、点击、滚动、输入文字、整理列表，并在侧边栏实时展示手机屏幕。底层用 WebDriverAgent（WDA）和手机通信，自带本地 MCP 服务、安装技能和实时屏幕 widget。控件定位失败时，它会退回去看截图、试着按坐标点击。
我要特别说两个细节，因为它们决定了这东西能不能真的用起来。第一，它需要你先在自己的 iPhone 上安装、签名并启动 WDA Runner——也就是说，你得有 Apple 开发者账号、完整 Xcode，以及一点耐心。仓库目前还是私有的，需要有访问权限或已取得的源码包。第二，它默认会发匿名使用统计（PostHog + GA4），包括工具调用、耗时、错误类别、启动过的 App 标识，但不上传手机画面、输入内容、设备标识，可以用环境变量关掉。
我欣赏这种坦白。太多「让 AI 操作手机」的项目，第一屏只放一段炫酷演示，把「你得先自己去签个名」藏到第五节。
第二件，ESP32 iPhone Agent。 这个更邪门，也更便宜：一块约 7 美元的 ESP32-S3 板子（实测用 Seeed Studio XIAO ESP32S3，8MB PSRAM），加一台 iPhone，就能让 AI 自己操作手机——订闹钟、改设置、点来点去全自动。
它的架构我读了两遍才完全想明白：手机把屏幕镜像（AirPlay）投到板子上，板子只做 H.264 透传、不解码，通过 BLE 转发给手机里的 App；App 解码、截图发给任意 OpenAI 兼容的视觉模型，跑一个 planner 和一个 actor；动作则通过板子的 USB HID 冒充鼠标键盘，配合 AssistiveTouch，鼠标点击就是触摸，拖动就是滑动。
也就是说，板子是「眼睛 + 手」，App 是「脑子」，全在手机上跑，不用电脑、不用越狱、不用开发者账号。作者说最新版连电脑都砍掉了。要求是 iOS 18 以上，手机得用蜂窝数据（Wi-Fi 被板子占了热点），Lightning 机型还得配个转接头。
我特别喜欢里面一个工程细节：因为指针是相对坐标，App 会自己跟踪它、把它「归位」到角落；在精确点击之前，它会让指针先抖一下、在屏幕上找到它、把误差纠正回来。这个动作很像人——你摸黑找鼠标时也会先晃一晃。
这个「抖一下」比任何 demo 都更让我相信这东西是真的。
第三件，REA（Reverse Engineer Anything）。 前两个是装手，这个是装眼睛，但看的是另一层：让 AI 编程助手把一个软件拆开看内部。装法一行命令（npx rea-agents@latest setup），然后你就用大白话问——官网首页那个例子我印象很深：「为什么 Windows 计算器 200 + 10% 算出来是 220？」Agent 会去读 x64 汇编，顺着分支和调用链，把那套规则还原出来，再翻译成人话。
官网的说明写得很克制：逆向工程就是通过检查程序本身来了解软件怎么工作。有了 REA，你的 Agent 可以跟着代码走、解释一个功能、帮你把它重建出来。
三件放一起，我想说的是这件事：
过去十年，我们对「软件」的理解建立在一个假设上——软件是可被调用的。你有 API，我就集成；你有界面，我就学。所以「会用」是一种能力，因为界面是给会用它的人留的。
这三件东西都在拆这个假设。ESP32 那块板子不知道什么 API，它只知道「屏幕上有个东西，我点一下看看变不变」；REA 不看文档，它看机器码；iPhone Use 不看你的 App 有没有开放接口，它读控件树、忘了就截图。
也就是说，当 Agent 的手绕过 API、直接伸到像素和寄存器上，「会用某个软件」这件事就彻底不再是壁垒了。 它不需要会，它只需要看得见、点得到、试得出来。
这件事的另一面是社会性的。当「绕过界面」变成一种常态能力，平台一定会开始防——防自动化、防爬取、防风控。事实上这一周的新闻里就有：字节想让豆包手机助手直接操作不同 App，而微信、支付宝、淘宝、美团等一百五十多款应用明确拒绝了屏幕自动化操作。
这不是技术问题，是收租权的问题。API 是器的接口，谁掌握接口谁收租；Agent 直接看屏幕，就把「器」降级成一个不需要授权的显示面。所以未来两年，你会看到一场很奇怪的拉锯：一边是越来越强的「看得见就能操作」，一边是越来越严的「你怎么证明你是人」。
我不知道谁赢。但我知道，站在 API 那一侧的生意，护城河是租约；站在像素那一侧的生意，护城河是耐心。
- iPhone Use：🔗 github.com/zhongerxin/iPhone-use
- ESP32 iPhone Agent：🔗 github.com/onehumanbeing/esp32-iphone-agent
- REA：🔗 rea.tools
- Intent（LukeW 团队的 Agent 协调工具）：🔗 intentapp.dev
三件小而硬的东西
Mole 出了 Windows 版。 这是《潮流周刊》作者自己做的清理工具。Mac 版做了很久，这次 Windows 版拢共开发了差不多两个月——中间他测试了 349 款软件的卸载、清理、更新、启动和注册表，专门整理了一台 ThinkPad 来开发。早鸟价 15.2 美元，买过 Mac 版的老用户用 MOLEAGAIN 可以 10 美元拿下。
我留意到的是「349 款」这个数字。清理类工具的说服力不在界面好看，在它敢不敢碰那些冷门软件的残留。这个数字本身就是产品说明书。
Paper Mono，一款免费开源的等宽字体。 设计工具公司 Paper 自己做的，800 个字形、8 档字重、支持可变轴和 100 多种语言，框线字符、编程连字、斜杠零都配齐了。
会做字体的人都知道，等宽字体最难的不是「对齐」，是在不同字重下保持节奏一致。8 档字重加可变轴，意味着它既能当代码字体，也能拿排正文和标题——这种「一种字吃三个场景」的设计，通常是内部工具做久了才会有的实用主义。
526 种中国传统色的 Figma 文件。 这个严格说不算工具，是一个资源包。里面不少颜色确实好看，做产品找不到配色的时候可以去翻。我把它的价值理解成**「减少默认审美」**——大部分人做的界面之所以看起来都差不多，不是因为懒，是因为默认色板就那几个。有一个 526 色的池子摆在那儿，至少让「随手选一个」的结果不那么像随手选的。
🔗：figma.com/design/5gJsBEyypBoGo48GFRcd4F
✨ 随便看看
11 个人，撑起 14 座城市的数百张酒桌。 AI 社交产品 Table for Six（T46）2025 年末开始运营，已拿到 BAI Capital 和某游戏公司累计数百万美元天使轮，累计付费用户超过 4 万。用户付 88 或 118 元，得到一杯饮品和一场由 AI 匹配的陌生人聚会。AI 在后台干的活，恰好是传统「主理人」的核心工作：从问卷里提炼匹配准则，平衡年龄、性别、内外向和社交能量，为每桌生成专属卡牌，甚至用六个 Agent 模拟参与者预演对话气氛；运营端由 5 个主 Agent 及其子 Agent 跑完排桌、选场地、生成打印文件、对接印厂、核对装盒、下闪送订单。11 个都在上海的员工，就这样撑起了 14 城数百桌。最戳我的是记者那句反问：整个过程里，我几乎没有直接与 AI 交互。AI 把自己藏进了流程，只把人留给人。 这可能是「利不在器」最好的一个注脚——用户根本不知道，也不需要知道你用了多少 Agent。
🔗：mp.weixin.qq.com/s?__biz=MzI2NDk5NzA0Mw==&mid=2248906422&idx=1&sn=c4e30d859a02d3b3218fbbb7d43a9bb1教别人用 AI，从 19.9 元卖到 30 万。 五位从业者的自述：北京一位创始人 3000 元一门课教 AI 视频，学员不到二十人，她没打算做成长久生意，因为「AI 变化越来越快」；一位 AI 应用顾问用 AI 生成课程内容，已排到 33 门大课、400 多节，个人课月费 19800 元，企业培训单堂可达 30 万元；南京一位法律顾问专教律师用 AI，线下小课一堂三五万，收入已超过做律师时。这篇最诚实的一句是那位法律顾问说的：「这种信息差能维持多久，我并没有把握。」AI 一边消灭信息差，一边制造新信息差，而这门生意的窗口期可能只有一两年。卖「器」的，最终会被自己卖的器吃掉。
🔗：mp.weixin.qq.com/s?__biz=MjM5ODMzMDMyMw==&mid=2654912867&idx=2&sn=ca0eafe6bc4de656ed8518a237007cdd30 多人的公司，花 5 天把自己改造成 AI 原生。 数字生命卡兹克的这场改造里，最值得抄的不是他用了什么模型，是最后一个动作：他把整套中台包成了一个 MCP。员工只要把一段 Prompt 发给自己的 Agent，就能自动安装 MCP、发布应用、分配子域名和权限。他复用了飞书的权限体系和数据同步，还支持千人千面的首页——每个员工的首页由 Agent 根据账号 ID 自动生成。他期待的场景很具体：新员工入职第一天发现流程蠢，同事自然地说「那你让 Agent 改一下呗」，第二天新应用就上线，全公司都用上。这句话如果真能发生，那才是「组织」这个词被重写的时刻——过去是员工适应公司系统，接下来是公司系统适应每一个活生生的人。
🔗：mp.weixin.qq.com/s?__biz=MzIyMzA5NjEyMA==&mid=2647686948&idx=1&sn=d43b6d924d339092f96e3ba826119f6c一份账单：一个月烧掉两个 250 美元的 Claude 账号。 《潮流周刊》作者算了一笔账，我看了很久。他的配置是 2 个 Claude Max 250 美元 + 1 个 ChatGPT Pro，日常用 opus 5.5 medium 档跑普通任务、high 档跑复杂任务，Codex 默认 GPT-6-Astra medium。他说自己从 1 个 20 美元试起，到 2 个 20 美元，到 1 个 125 美元，再到 250 美元，直到现在的两个 250——「当时 AI 没出来前，包一个爱奇艺电视会员几十块一个月都会觉得贵的人，怎么现在对 AI 这么能花钱」。钱花在哪了？一台 Mac 上连着虚拟机、一台 ThinkPad X1、一个 Android 平板，24 小时开机远程连着，让 Agent 帮他在多环境里做测试验证；Kaku 里同时开 7 到 10 个 Tab 的 Agent 跑任务；每周用最好的模型把自己的对话、踩坑和最佳实践跑一遍，沉淀成开源的 Skills 合集。「这样就好比 Mac 是我的研发主力端，但它上面连接了一个虚拟机、一台 Windows 设备、一台 Android 平台。」我读这段时的感觉是，这就是「器」的另一种形态：当器不再需要你会用，你会开始囤更多器。
🔗：weekly.tw93.fun/posts/286一张图表应该隐含一个「下一步」。 体验碎周报这期转了一篇关于数据可视化的长文，里面有两个例子我很喜欢。一个是 1973 年 Anscombe 提出的四重奏：四组数据的均值、方差、相关系数、回归线全都一样，画成散点图却完全是四个故事——有的接近线性，有的明显弯曲，有的其实是几个离群点硬拉出来的。另一个是对 Tufte「数据-墨水比」的反驳：图表几乎从不在真空里被阅读，它总是被一个具体的人、在具体情境里、带着具体压力去看，把它一味压到最干净，有时恰好拿掉了决策者最需要的那层上下文。作者的原话是「简洁本身不是目标，合适的复杂度才是」。而整篇最狠的一句结论是：每一种可视化，都隐含着一个下一步——哪怕那个结论只是「现在暂时不需要改动」。
🔗：mp.weixin.qq.com/s/80Rl3-kn1t54RVmJW6NSdg一条值得抄进笔记本的管理观察。 胡渊鸣在 Meshy 的 ARR 突破 1 亿美元后写了 48 条反思，其中一条讲「惩罚责任心」：某位同事任劳任怨，leader 就把各种 dirty work 都交给他，他出于责任心做得很好，于是 leader 给了他更多 dirty work。从结果上看，他的责任心和任劳任怨，换来了更多 dirty work。如果没有其他方面的补偿，这一定是不公正、不可持续的。同类的还有：我们对父母的感激反而不如偶尔给小恩小惠的人；给老老实实做事的员工待遇不如会闹的员工；奖励加班的同事而不是更高效做出成果的同事。他的解法是「扪心自问」——如果有一天所有人的薪资因为某种意外被公开了，大家会觉得这样的安排公平吗？这篇是 5 个板块 48 条，从 8000 万美元 ARR 写到 1 亿，国庆期间花了五天删掉三分之二。值得整篇读。
🔗：mp.weixin.qq.com/s?__biz=MzkyNTE1MjYzNg==&mid=2247484262&idx=1&sn=14628187e5f8beaf1a26456ecd2636ef
写到这里，我回到开头那个问题。
那位朋友后来又问了我一句：「那我是不是不用学了？」
我说不是，但你学的东西得换。你现在花力气去记「这个功能在哪一栏」，两年后就白记了；你花力气去搞清「这件事到底该怎么判断才对」，两年后只会更值钱。
因为「会用器」这件事，正在被批量地、彻底地踏平。这不是坏事——它意味着那道人人都得排的队取消了。但它也意味着，你不能再靠「我会用一个别人不会用的东西」来证明自己的价值了。
这不是一个舒服的消息。
过去我们靠器给自己定位：我是做设计的、我是写代码的、我是搞数据的。这些身份背后都藏着一个「我熟练掌握了某个东西」。当那个东西开始贬值，身份就跟着晃。这一周我读到的每一份材料，其实都在从不同角度描述同一次晃动：周喆吾说单点能力必然趋零，YC 说组织知识该搬进数据库，齐俊元说别数用户问了几次、要数它主动解决了多少，LukeW 说下一代人根本不知道 Agent 用了什么软件。
而晃动之后，剩下的东西其实很清楚，只有两样：
一样是「知道要成什么事」——判断。在所有人都有同样的器之后，你和别人的区别只剩「你决定让它去做什么」。这个能力没法外包，因为它讨论的不是执行，是取舍：什么值得做，什么不值得，什么现在做，什么永远别做。
另一样是「出了事你认」——兜底。器越强，出错时的破坏力越大；抽象层越高，出错时你越看不清原因。所以那个愿意在没人看得见的地方签字的人，反而变得更贵。这不是道德上的贵，是结构上的贵：系统越自动化，人对剩余风险的承担就越稀缺。
有意思的是，这两样本期几乎所有材料都提到了，但没有一份把它们当成结论。它们被埋在 workflow capture、北极星指标、抽象层次底下，像一句没人愿意直说的话：器可以被踏平，但「成事」这件事，始终需要一个愿意为结果负责的人。
所以我这一期真正想说的，其实不是「AI 又强了」。恰恰相反——AI 强到一定程度之后，「强」这件事本身就不值钱了。
值钱的是那句老话。利不在器，在器所成之事。
只是这一次，我们终于有机会亲自验证它。
下期见。