AI智能体

Agent 自我进化与 AI 智能体应用范式的同花顺概念归并页

迁移说明

• 同花顺概念：AI智能体（309183）
• 合并来源：Agent自我进化.md
• 迁移日期：2026-04-19

合并内容

原页面：Agent自我进化

Agent 自我进化与软件范式变迁

一句话定义：Agent 能力的提升不仅来自模型权重迭代，更来自 Harness（执行环境）、Multi-Agent 协作与 Planning 架构的系统演进；这一演进正在推动 "Coding is eating SaaS" 的软件范式革命，从"工具辅助"走向"代理执行"。

---

核心框架：三层进化

Model 层：最传统，但最重

• 定义：底层模型本身，也就是权重
• 方法：SFT、RL、LoRA 等更新权重
• 问题：catastrophic forgetting（灾难性遗忘）
• 成本：最高，依赖训练数据、基础设施、评测闭环
• 判断：更像平台级能力，不是普通产品团队可频繁迭代的日常手段

Harness 层：近一年最被低估的增益点

• 定义：驱动模型运行的"外壳"——系统提示词、工具暴露、调用循环、上下文截断、重试机制等；更直白的说法是给 agent 搭一套"上班需要的 Infra"
• 关键洞察：agent 的进化可以不改模型，只改运行框架
• Meta-Harness 工作：
  • 让 agent 在一批任务上运行
  • 收集完整执行日志与得分
  • 让 coding agent 阅读这些材料，提出 harness 改动
  • 评测新 harness，继续迭代
• 结果：强调"文件系统级上下文"能把每轮优化可用诊断信息提升到远高于传统做法的量级
• 拾象判断：真正把 Harness 做到生产级的，大概率还是围绕 Claude、OpenAI 等离模型更近的团队，因为他们必须随着模型进步持续迭代 Harness，才能既 harness 住模型又不被模型能力反向吞没

Context 层：离业务最近，最适合先落地

• 定义：位于 harness 之外、用来配置 agent 的内容
  • instructions、skills、tools、memory files、用户偏好、团队规则
• 关键：不在"模型学到了什么"，而在"系统记住了什么，并在之后的会话中如何继续使用"
• LangChain Deep Agents 支持：
  • agent-scoped memory（所有用户共享）
  • user-scoped memory（每个用户独立）
  • 在线更新 + 后台整理
  • skills 作为程序性记忆，按需加载

---

Agent 架构演进：从单 Agent 到 Multi-Agent

单 Agent 与 Harness 提升

• Claude Code：代表当前最强的单 Agent 编程体验；拾象观察显示，过去 1-2 个月硅谷 AI 工程师亲手写代码的比例从 70-80% 降到 5% 以下，很多工程师直接承认 Claude Code 比自己强
• Harness 的持续优化：Claude Code 的 Harness 本身在快速提升，为 agent 搭建的工作环境越来越适合它自己发挥；one-shot prompt 基本能完成任务的突破，既来自模型（Claude Opus 4.5/4.7），也来自 Harness

Multi-Agent：并行计算与组织鲁棒性

• 本质：在单位时间内做足够多的并行计算，通过并行和交叉分工的方式组织起来，让系统的鲁棒性更强
• 拾象判断：这不是算法问题，更多是管理学问题——像大厂赛马
• 硬件驱动：进入 Agent 时代，尤其在 multi-agent 背景下，需要 "AI-native hardware"，对硬件同时提出三个维度要求：
  • Context 处理能力：需要把 context 拆到多个 agent 上以避免长上下文的 decay
  • 单次推理速度：需再推高 5-10 倍；速度不够，思考就不够全面，必须引入多个并行 agent
  • 合作过程数据 throughput：任务分配到不同 agent、再汇总到下一环节，数据传输量要求极高

Planning Agent：Multi-Agent 中最值钱的角色

• 核心判断：Multi-Agent 里真正值钱的不是 execution agent，而是 planning agent——定角色、开 agent、派任务的那个核心角色
• 结构性的定价能力：高价值任务的"二八结构"在当下成立，依赖于顶尖模型在 planner 位置上始终拉得开差距；一旦平价模型跨过"够用阈值"，顶尖模型在该场景就会被重新定价为平价模型，从"80% spending 区"滑向"80% token 区"

---

软件范式变迁：Coding is eating SaaS

从"Copilot 提效"到"Agent 替代"

• 冲击层级：
  • 第一层：白领被替代，seat-based 需求收缩
  • 第二层：企业软件的毛利被重估——当每个员工都能在公司内部"搓"一套 CRM、一套简单审批流时，软件本来就不应该付那么多钱

价值公式与定价逻辑重构

• 旧公式（互联网时代）：价值 = DAU × ARPU
• 新公式（Agent 时代）：价值 = Token 消耗 × 任务单价
• 定价模式迁移：SaaS 时代按 seat 定价 → Agent 时代按 outcome 定价
• 买方身份变化：从"信息系统"的采购者 → "劳动力"的雇主

ToC / ToB 边界消融

• 传统二分法是"互联网时代的旧地图"
• 案例：Claude Code 用户规模约 ChatGPT 的 1/20，但两者 ARR 当下已基本持平，甚至有反超趋势；在互联网时代，5% 用户量跑出可比收入是不成立的
• 新评估维度：不再看 ToC 还是 ToB，而是看它承载的是不是高价值任务、它分到的是 80% 的 token 还是 80% 的 spending

高价值任务的定义

• GTC 2026 Jensen Huang 定义：由 agent 独立完成、长周期、吐出大量 token 最终交付结果的任务
• 共同特征：高智力从业门槛、单位智能消耗高、单位产出价值也高（法律、金融、Coding 等）
• 硬件映射：NVDA 将模型使用场景分为四档，每档平均分配 25% 的卡；最高价值 25% 场景虽只用 1/4 的卡，却可能为客户创造 80% 的收入

---

三层对比

---

产品映射

Claude Code

• Model：Claude Sonnet 等模型
• Harness：Claude Code 本身
• User context：CLAUDE.md、/skills、mcp.json

OpenClaw

• Model：可以接多个模型
• Harness：Pi 加上运行脚手架
• Agent context：SOUL.md 与来自 ClawHub 的技能

---

团队落地四阶段

1. 先把 traces 做对：统一记录任务输入、工具调用、关键中间状态、输出结果、人工反馈
2. 优先做 Context learning：从用户偏好、团队规则、术语表、操作 SOP 开始
3. 建立 Harness optimization loop：对 harness 版本做 A/B 对照和自动评测
4. 最后才考虑 Model-level learning：只有积累了足够多高质量 traces 后再进入微调

---

核心结论

未来更强的 agent，不一定先来自更大的模型，而更可能先来自更会「复盘、记忆、重构」的系统。

拾象补充：Coding 的泛化方式大概率就是下一批白领任务的泛化方式。 当 execution 都被 AI 吃掉之后，人的价值将聚焦于那 10% 的"超级杠杆"工作。

---

本次摄取变更

来源：拾象 AGI 备忘录 #1：Coding is eating SaaS, and the white-collar is next（2026-04-18）

---

信息来源

---

[2026-04-18] lint | 补充交叉引用，新增 2 个 outgoing link（英伟达）

本页面由 LLM 基于原始剪报自动整理生成，最后更新：2026-04-18

---