本文基于 Ben Thompson 在 Stratechery 的文章 Agents Over Bubbles 整理与解读。

在过去三年里，AI并不是简单地“变强”，而是经历了一系列结构性跃迁。从生成工具，到推理系统，再到可执行的智能体（Agent），其本质正在从“语言模型”转变为“生产力系统”。

这篇笔记尝试梳理这一演进背后的底层逻辑，以及它对个人、企业与产业格局的深远影响。

另外山还是那座山，人还是那些人，树还是那棵树，焦虑不会改变现实，AI或许会带来个人产出的跃迁，但不会带来个人能力的跃迁，做自己该做的，成为工具的好主人，而工具会变得更趁手好用的。

LLM的三次关键拐点（Inflection Points）

大语言模型的发展，并不是线性提升，而是经历了三次范式级转变，每一次都在解决前一阶段的结构性问题。

第一拐点：ChatGPT（2022年）——解决“可用性”问题

ChatGPT让世界第一次直观感受到LLM的能力，使AI从实验室走向大众。 然而这一阶段的模型存在两个核心缺陷：

• 一是“幻觉”（hallucination）频发，结果不可靠；
• 二是需要人类不断参与验证与纠错。在这个阶段，LLM本质上只是一个“生成系统”，而非真正的执行系统。

第二拐点：推理模型（2024年）——解决“可靠性”问题

传统自回归模型具有强烈的“路径依赖”（path dependence），一旦推理路径错误，就会一路错误到底。

推理模型通过强化学习与思维链（Chain-of-Thought），引入“内在主动性”，能够在输出前进行多路径探索、自我评估与纠错，从而显著降低错误率，使AI从“会说”进化到“更接近会想”。

第三拐点：Agent（2025年）——解决“自主性”问题

智能体的出现标志着AI进入“执行时代”。

AI不再只是生成文本，而是在框架（Harness）的控制下，能够调用工具、执行代码、验证结果并自动重试，逐步实现“无需人类持续介入”的闭环执行能力。

至此，AI开始具备真正的生产力属性。

“

To put it in the context of coding, in paradigm one an LLM would generate code; in paradigm two an LLM would think about the code it was generating and iterate towards a better answer; in this paradigm an agent directs a model to generate code, then checks to see if the code actually works, and if it doesn't tries again, all without the user needing to be involved. 以编程为例：在第一范式中，大语言模型生成代码；在第二范式中，大语言模型会思考它正在生成的代码并迭代优化；而在第三范式中，智能体指挥模型生成代码，然后检查代码是否真正有效，若无效则重试，整个过程无需用户参与。

如何真正理解Agent：不是更聪明，而是被“组织起来”

Agent ≠ 更强的模型，Agent = LLM（大脑） + Harness（控制系统）

LLM本身是无状态且不稳定的，它的本质只是一个概率预测器，负责决定“下一步生成什么”。真正让AI变成生产工具的，是Harness。

Harness提供了三个核心能力：

• 状态管理：记录任务进展，让AI拥有“短期记忆”
• 工具调用：连接外部系统（API、代码、数据库），赋予执行能力
• 循环控制：在出错时自动回退、重试与修正

正是这一层控制框架，将一个不稳定的语言生成器，转变为一个可控、可重复、可执行的系统。

Agent时代，人类需要的核心能力：Agency

随着AI能力提升，一个反直觉的变化正在发生：

• 对“人类数量”的依赖在降低
• 对“人类能力”的要求在提高

这里的关键概念是 Agency（主动性）。

LLM没有目标、没有意图，它只能执行。真正决定AI价值的，是人类能否：

• 定义问题
• 拆解任务
• 设计流程
• 判断结果

这是一种“操作系统级能力”，而不是简单的工具使用能力。

由于Harness的存在，一个人可以同时调度多个Agent，从串行工作变为并行控制，从而极大放大个人生产力。

因为Harness将人从底层执行中解放出来，一个人现在可以同时控制和管理多个智能体（Agent managers），这使得个人的生产力呈现并行爆发，这也是作者提出的“主权个体（sovereign individual）”力量增强的核心原因。

“主权个体（Sovereign Individual）”在AI时代重新崛起。

“

What this means in terms of compute — and by extension, economic impact — is that it actually won't require that many people with agency to drastically increase the amount of compute that is actively utilized to create products with meaningful economic impact. 这意味着，就算力而言——进而就经济影响而言——实际上并不需要太多具有主动性的人，就能大幅增加用于创造具有重要经济价值的产品的算力消耗。

Agent对企业与就业结构的冲击

企业拥抱AI的本质动机，从来不是“技术崇拜”，而是生产力最大化。

1）解决组织管理问题

在大型企业中，真正的效率瓶颈往往来自“人”，尤其是大量执行性岗位（human cogs）。这些岗位带来沟通成本、管理成本与激励难题。

而Agent的优势在于：不需要管理、不需要激励、可以持续执行直到完成任务。本质上，AI正在替代的是“组织摩擦”。

2）重构企业规模与就业结构AI不仅成为企业“裁员的理由”，更重要的是，它改变了企业的最优规模。

过去：

• 企业需要更多人 → 完成更多工作

现在：

• 少数人 + 多个Agent → 完成更多工作

这意味着：企业的“合理规模”正在系统性下降，而那些从第一天就以AI为基础构建的公司，将拥有极低成本结构，对传统企业形成降维打击。

“

我认同'最优秀的公司将希望利用AI做更多事情，而非仅仅节省成本'这一论点；然而，大型组织的现实是，AI的积极影响不在于消除工作岗位，而在于用不仅听从指令、而且不知疲倦、持续工作直到任务完成的智能体，来取代组织机器中那些难以管理和激励的人力齿轮。

五、利润将流向哪里：从“模型”到“整合”

当前AI行业最大的误判在于：很多人以为“模型=护城河”。

但现实正在快速变化：模型正在商品化（commoditization）。开源模型（如DeepSeek等）已经证明，高性能模型可以以极低成本复制。这意味着： 模型不再是稀缺资源。

根据克里斯滕森的价值链理论：

• 利润总是从“模块化环节”流失
• 流向“差异化整合环节”

在AI时代：

• 模型 → 模块化（可替代）
• Agent系统 → 整合（不可替代）

Anthropic、OpenAI之所以仍具备强大估值，不仅因为模型，更因为它们掌握了“模型+Harness”的整合能力。而微软放弃“模型无关”战略，也正说明：真正能收费的，是整合后的系统，而不是模型本身。

整合能力才是终极护城河

整合能力才是终极护城河，因为它对个人和企业都至关重要。

对企业而言

任何只依赖“单点能力”（如微调模型、调用API）的公司，其护城河都在迅速消失。真正的壁垒在于：

业务场景 × Agent框架 × 专有数据 的整合能力

谁能把复杂流程（如自动审计、代码交付、供应链管理）嵌入Agent系统，谁就占据价值链核心。

对个人而言

如果你的工作本质是“执行单一任务”，那么你就是价值链中的“模块”，终将被商品化。

未来真正高价值的人才，是： 超级整合者（Sovereign Individual）

你的价值不再是“做得多快”，而是：

• 能否定义问题
• 能否整合资源
• 能否调度AI系统完成复杂任务

最终总结

AI时代的核心变化，不是“机器更聪明了”，而是：生产力从“人执行”转向“人调度系统执行”

• 护城河不再是“我有别人没有的资源”，而是：我能否把大家都有的资源，整合成别人做不到的结果

对个人而言：

• 从“被系统调用的模块”，升级为“设计和调度系统的人”