智能体社交革命：AI Agent是如何来到你我身边的？

视频来源： https://www.youtube.com/watch?v=JGiguIv6m8s | 硅谷101 | 44:45 | 47.4K观看
嘉宾： 何朝阳（Teamily AI创始人）、Prof. Salman Avestimehr（南加州大学）

执行摘要

OpenClaw小龙虾的热度逐渐退去，但它的真正意义不在于应用层，而在于认知层面——它第一次让大量普通人意识到：AI不再只是一个被调用的工具，而是一个可以持续运行、主动行动、甚至"参与世界"的存在。这标志着我们正从"人使用AI"走向一个"人与AI Agent共存"的全新阶段。

当Agent真正进入人类世界，开始彼此交流协作，甚至"替人社交"的时候，一个全新的概念开始被提出：Agentic Social Network（智能体社交网络）——在这个世界里，社交的基本单位不再只是人，而是"人 + Agent"。你的Agent可以替你整理信息、参与讨论，甚至在你离线时7×24小时地存在。

本期视频从技术层面深度拆解了Agent背后的三大核心架构——模型层（从"一个大脑"到"调度系统"的演进）、记忆层（从RAG到Memory OS的演进）、协议层（MCP、A2A、ACP三大协议框架）。同时探讨了Agent能力的三次结构性跃迁——长时陪伴、主动安排、自进化。

结合当前（2026年4月）技术调研的交叉验证，这些趋势的演进速度比视频中呈现的更快、更清晰：Model Router的生产部署已跑出83%成本削减的数据，MCP月下载量突破9700万次成为事实标准，自进化能力的复利效应已在多个产品中得到验证。

对读者的影响： 如果你关注AI产品、技术投资或人机交互趋势，Agent正在从"工具"变成"参与者"，未来互联网的基本结构将因此重构——这个转变的速度会比历史上任何一次技术革命都更快速且深入。

可执行建议：
1. 优先考察Model Router能力：在技术选型时，多模型调度能力直接影响成本、效率和效果上限，这比选哪个基础模型更重要
2. 重新理解"AI记忆"的战略价值：具备Memory OS的产品才能实现真正的长期用户粘性，这是下一代AI产品的核心差异点
3. 调整人机协作的心智模式：核心竞争力从"会不会写Prompt"转向"能不能和Agent形成长期协作关系"，从今天开始重新设计你和AI的协作方式

一、OpenClaw的认知冲击与Agent时代的开启

过去几个月，OpenClaw引发了一次全民级的装机热潮。但热度过去后，大部分人的使用路径还是一样——学习、安装、折腾几天，然后卸载。它好像很强，但又好像没有真正改变什么。

然而，如果只把OpenClaw当成一个"好不好用的工具"，那就错过了它真正重要的地方。OpenClaw带来的影响不仅在应用层，更在认知层面——它第一次让更多的普通人开始意识到：AI不只是一个被调用的工具，而是一个可以持续运行、可以主动行动、甚至可以"参与世界"的存在。

这是一个非常关键的分水岭。它意味着我们正从"人使用AI"走向一个"人与AI Agent共存"的全新阶段。

当Agent真正进入人类世界，开始彼此交流协作，甚至开始"替人社交"的时候，一个新的概念就开始被越来越频繁地提到——Agentic Social Network（智能体社交网络）。社交的基本单位从"人"变成了"人+Agent"。你的Agent可以帮你整理信息、参与讨论，甚至在你不在线时持续存在。而在网络的那一头，也很有可能是对方的Agent在与你互动。

这听起来像是效率的提升，但本质上改变的是更底层的逻辑——内容如何产生、信息如何流动、互动如何发生，甚至"谁在参与你的社交"本身。未来人与人之间的连接会变得越来越"间接"，反倒是双方的Agent会在中间进行预处理、筛选，甚至先行沟通。

Teamily AI创始人何朝阳在采访中提到，他们其实在一年多以前就开始布局这个赛道，但当时还有很多人都看不太明白。"我们当时去聊，跟很多投资人，大家都觉得这个形态可能有点太过于超前。"但他们去年还是做了300万用户。OpenClaw的爆火，帮助了Teamily AI这样的初创企业完成了投资人和市场教育——大家很快意识到，Agent可以帮你去完成更多事情，也可以更加深度地参与到你的日常生活和工作当中。

二、模型层：从"一个大脑"到"调度系统"

视频内容的核心论述

在Agent底层技术的突破与成熟中，首先是模型层的演进。

在过去，我们习惯把AI理解成一个"大脑"——像GPT这样的模型，你提出问题，它给出答案，所有能力都集中在这一个模型里面。所以一个自然的想法是：只要这个"大脑"足够强，很多问题就可以被一次性解决。

但是在Agent系统里，这种逻辑正在发生变化。越来越多的团队开始不去依赖一个单一的大模型，而是去同时调用、调度大量不同类型的模型——也就是采用Model Router（模型路由器）这种形式。

Salman Avestimehr教授指出，Agent广泛使用Model Router模式有两个核心原因：

第一，灵活调度不同模型的优势。 不同的模型其实各自擅长的能力是不一样的——Claude模型在写代码方面表现非常强，有的则更适合生成图片或视频。所以在实际使用中，会根据具体任务灵活选择最合适的模型来调用，实现这一点的做法就是通过一个路由系统，为每一个任务找到最匹配的模型。

第二，成本和效率的权衡。 有些模型体量很大，使用成本更高；而有些模型更轻量，不仅更具成本优势，甚至可以直接在本地运行。比如他们自己也开发了一些基础模型，可以部署在手机上，这样很多任务就可以在本地完成，几乎不需要额外成本。

Teamily AI采用了Semantic Model Router的方式——系统内部编排了超过200个模型，并构建了一套12维的任务分类系统，根据效果、成本、速度、安全、隐私、合规、用户偏好等不同维度，能在极短时间内完成路由决策。

但要把Model Router真正做好并不容易。首先，系统要在一开始就判断清楚这个任务应该交给哪个模型去处理。现实中的任务往往是模糊的，甚至是多阶段的——一个看似简单的请求背后可能会同时涉及理解、检索、生成、执行多个步骤，而每一步适合的模型都不一样。这本质上像是在做一个"根据不同任务场景来做模型匹配的模型推荐系统"。但困难之处在于——你很难获得明确的反馈，大多数情况下，并没有人告诉你这次结果到底好不好。系统必须在缺乏人工反馈的情况下，自己去理解模型的效果和价值。

此外，何朝阳也指出，表面上Model Router是在"选模型"，但背后其实是在做一件更加接近"实时调度系统"的事情——它在效果、成本、速度还有隐私安全之间不断权衡。

技术调研的深化验证

以上论述在当前生产环境中已得到大规模数据验证。

根据RouteLLM（LMSYS，ICLR 2025）研究：多模型路由可实现85%成本降低，同时保持95%的GPT-4质量。实际生产数据更具参考价值——一个医疗预约/客服/数据分析的Agent系统，将多模型路由方案落地后：原来每月$400的GPT-4纯调用费用，降至$67/月，同时P95延迟从1.8秒降至420毫秒，超时率从3.2%降至0.4%。核心结论是：76%的请求分发到快速廉价模型，24%到前沿模型，就能实现83%的成本削减。

模型成本跨度数个量级：从GPT-4o Mini/Gemini Flash-Lite的每百万token $0.07–$0.30（纳米级），到GPT-5/Claude Opus/Gemini Ultra的$3.00–$15.00（前沿级），再到o3/DeepSeek R1等推理模型的$6.00–$60.00（推理级）。路由层的存在价值正在于：大多数生产请求并不需要前沿级能力，强行统一使用才是浪费。

2026年的技术演进路线也在从静态规则向自适应路由器进化：

Router-R1（NeurIPS 2025）将路由器本身LLM化——路由器内部交替进行"think"步骤（分析查询、推理模型能力、考虑成本）和"route"步骤（调用下游LLM并整合响应），通过强化学习综合任务成功率、格式正确性和成本惩罚来训练。这解决了传统路由器的核心缺陷：无法处理训练数据中未见过的边缘情况。能在运行时动态决定是否调用额外模型，而非事先固定候选集合。

vLLM Semantic Router v0.1 "Iris"（2026年1月）则将路由决策移至推理服务层本身。在生成token之前就决定路由路径（完整思维链 vs. 直接回答），使用ModernBERT分类器同时处理意图分类、复杂度估计和工具目录过滤，在专用领域实现超过20%的准确率提升，延迟和token消耗减少约50%。

BaRP（Bandit Routing）解决了离线路由器无法适应分布偏移的问题——在部分反馈约束下训练（只观察所选模型的响应质量，而非所有候选模型），持续超越强离线路由器至少12.46%。

模型层的核心洞察

Model Router的实质不是"选模型"，而是实时调度系统工程。要做好这件事，需要解决三个关键问题：如何在<50ms内完成分类决策；如何在缺乏明确反馈的情况下评估模型质量；如何在流量规模增长时保持调度效率。

目前最被低估的趋势是：大多数团队还在关注"哪个模型最强"，但真正改变成本结构的是路由器层面。83%的成本削减足以让很多"AI太贵做不下去"的场景重新成立。

三、记忆层：从RAG到Memory OS

视频内容的核心论述

如果说Model Layer解决的是"Agent如何思考"的问题，那么Memory Layer要解决的就是Agent的记忆问题。

在很多人的理解里，一个AI只要足够聪明就可以了。但在Agent系统当中你很快会发现，"聪明"其实只是基础，真正关键的是它是否有"记忆"。因为一旦Agent开始长期存在、持续与你互动，如果没有记忆，每一次对话都要从头开始——它永远不知道你是谁，不知道你过去做过什么，也无法理解你真正的偏好和习惯。这样的Agent再强，也只是一个更加高级的工具。

正因如此，在Agent体系当中，Memory开始演变成为一个更加底层的系统——Memory OS（记忆操作系统）。它除了存储信息之外，还在持续地记录、整理，并且更新关于"你"的一整套状态——包括你的偏好、行为轨迹、历史决策，以及你在不同场景中的上下文。这一层本质上是在做一件更复杂的事情：不断地构建和修正一个关于用户的长期模型。

从早期的RAG（检索增强生成），到如今的Memory OS（记忆操作系统），Memory从过去的一个功能模块，逐渐演变成一个独立的基础设施方向。

当Memory开始承载用户长期的行为和偏好，它也就成为了最核心、同时最敏感的一层基础设施。首先是在海量交互当中，系统要做一种类似"存储分层"的权衡——判断什么值得长期记住，什么只是短期的噪音。此外，用户的偏好和状态也是不断变化的，记忆也需要被持续更新和重构，而不是简单地叠加。

业界探索了一些新的思路。比如一种叫做Progressive Disclosure（渐进式披露）的方式——根据当前任务的需要，分层、逐步地释放相关信息，先给出最核心的上下文，再在需要的时候不断展开更细的记忆。HiMem框架引入了分层记忆结构，同时通过持续的"记忆重整"机制，使得整个系统能够在长期交互当中不断地自我演化。

而Teamily AI正在探索的Social Brain（社交大脑）则尝试把人和他人的记忆进行关联，进而形成一种带有社会结构的记忆网络——可以理解你在各个群里面的记忆和人和AI的记忆，然后把你的记忆总结成一个社交图谱。

"比如说你现在微信，经过15年的发展，你可能有几千个好友，你很多加过的人都忘了。如果有AI在，它可以帮你快速归类——这个人的画像是媒体，那个是创业者，那个是工程师，那个是科学家。"何朝阳说，"我现在非常需要这个功能，微信一直没有，15年了还没有给我们提供。"

技术调研的深化验证

从行业整体看，记忆系统正在经历三个阶段的演进：

第一阶段（2024年以前）：RAG作为功能模块。 向量数据库检索相关上下文塞入LLM，Memory本质上是一个检索增强功能，并非基础设施。

第二阶段（2024–2025年）：Memory OS成为独立方向。 MemO等创业公司引入模型做结构化存储，将记忆分为Fact（画像）、Episode（片段）、Foresight（预测）等维度。OpenClaw率先在本地做混合检索（向量数据库+结构化存储），满足不同类型记忆的检索需求。这标志着Memory从"功能"变成"系统"。

第三阶段（2026年起）：记忆的社会化与自进化。 Social Brain不只是存储个人偏好，还在构建带有社会结构的记忆网络——记忆开始反映人与AI、人与人之间的关系拓扑。这种记忆系统最终会变得像人际网络一样有结构、有权重、有演化轨迹。

记忆系统的本质矛盾是：大模型有限的上下文窗口与大量存储数据之间的张力。解决方案不是简单地扩大上下文窗口，而是需要实现语义压缩（在不丢失关键信息的前提下压缩记忆体积）和精准调用（在需要的时候准确调取相关记忆，而非暴力检索）。

这带来的产品启示是：下一代AI产品的核心竞争力将围绕记忆系统展开。一个有良好Memory OS的产品，能够在用户使用6个月后形成显著的体验差异化——这是后来者很难通过模型能力直接追平的优势。

四、协议层：Agent互联网的三块拼图

视频内容的核心论述

当每个人的Agent都拥有记忆、可以持续存在的时候，下一个关键就是它们之间要如何去协作。答案就是Protocol（协议）。

Agent一旦进入到真实世界的应用场景，很少是单独工作的。它需要调用工具、连接服务，甚至与其他Agent进行信息交换和任务协同。而在这个过程当中，如果没有一套统一的"语言"和规则，整个系统就会变得非常混乱。

在协议层主要在解决三类不同的问题：

第一类：Agent如何连接外部世界的能力。 以MCP（Model Context Protocol，模型上下文协议）为代表——它是Agent调用各种工具和服务的"标准接口"。比如说联网搜索、调用API、访问数据库，这些原本IM本身并不具备的能力，都可以通过MCP这样的机制被接进来。

与此同时，Skill则是对这些能力的进一步封装——把常用的操作流程预先定义好，让Agent可以直接调用，而不需要每次都从零开始"想怎么做"。MCP解决"能不能连"，Skill解决"会不会用"。也正是因为有了这一层，Agent才能够真正地从"会说话"走向"做事情"。

第二类：Agent之间如何协作。 也就是A2A（Agent to Agent，智能体对智能体）这类协议。当一个任务需要多个Agent分工协作的时候，就必须有一套机制让它们之间交换信息、分配任务，以及同步状态。

第三类：Agent如何"面对人类"。 也就是ACP（Agent Client Protocol，智能体客户端协议）。无论你处在哪一种用户界面里面，都可以通过同一套协议访问同一个Agent。Agent不再是绑定某一个入口，而是开始以一种"服务"的形式出现在所有界面之中。

何朝阳表示："MCP、A2A和ACP目前已经基本上组成了一个完整的协议框架。这也意味着'Agent互联网'生态的爆发已经具备基础。当我们在协议层面有这三个拼图拼成一个完整的图之后，我觉得Agentic Internet（智能体互联网）的创新接下来会有很多的爆发。"

技术调研的深化验证

MCP的进展是2026年AI领域最清晰的标准胜利。

2026年3月，MCP月下载量突破9700万次——从2024年11月首发时的200万次，到9700万次，仅用16个月。这个速度比React达到同等规模快了近一倍。

关键转折点有三个：
- 2025年12月：Anthropic将MCP捐赠给Linux Foundation旗下的Agentic AI Foundation（AAIF），OpenAI和Block担任共同创始成员，Google、Microsoft、AWS、Cloudflare担任白金会员。MCP从Anthropic内部标准正式转为供应商中立的开放标准。
- 2026年初：OpenAI、Google DeepMind、Cohere、Mistral全面整合MCP到各自的Agent框架。
- 生态爆发：目前已有超过5800个公开MCP服务器，涵盖数据库、云服务、CRM、开发工具等所有主流类别。

MCP解决的本质问题是工具连接的碎片化。在MCP出现之前，每个AI平台各自维护一套工具集成——连接Slack需要为Claude写一套集成，为GPT写另一套，为Gemini再写一套。MCP的本质是"AI界的USB"：不管哪家的AI模型，只要支持MCP，就能用同一个接口连接所有外部工具。

2026年MCP路线图聚焦四个方向：
1. Streamable HTTP无状态化：支持水平扩展和标准负载均衡器/CDN
2. 企业级安全：审计轨迹、OAuth 2.0 + DPoP、OIDC发现支持
3. 服务器自动发现（Server Cards）：通过.well-known路径标准化元数据格式，实现运行时服务发现
4. 任务生命周期：补齐重试语义、结果过期策略等生产环境缺口

A2A与ACP的当前状态则相对早期。这两个协议尚未形成与MCP同等成熟的标准化程度。2026年MCP路线图已明确将A2A（Agent间委托）作为原生能力加入协议规范，这是值得关注的信号——这意味着未来A2A可能不再是独立的第三方协议，而是被纳入MCP生态系统的有机组成部分。

协议层的核心洞察：MCP的标准之战已经结束。真正的竞争不在"协议层"，而在"协议之上构建的行业解决方案"。就像SaaS时代真正的壁垒不是REST API标准，而是基于标准构建的垂直行业解决方案。5年后最值钱的MCP服务器不会是"连接Slack"的，而是"搞定特定行业复杂任务"的。

五、Agent能力的三重跃迁

第一重跃迁：时间维度——从"即用即走"到"伴随态"

我们现在所熟悉的AI工具，基本上都是"即用即走"的——你问一句，它答一句，对话结束之后一切也随之结束。

但是现在随着Memory和系统能力的提升，AI开始拥有了"时间连续性"。在OpenClaw中就有一个While Loop（循环）的机制——它会每隔一段时间去检查有没有新的任务、有没有需要处理的信息，然后把结果记录下来，或者主动推送给用户。一旦这个循环存在，Agent就不再是"你用一下它才动一下"，而是开始变成一种持续在线的存在。

在未来当Agent开始和你我所处的环境相结合，这种"长时能力"还会从最初的定时任务，走向一种更复杂的形态——开始"伴随你运行"。

"这种24×7不再只是一个Loop（循环）固定的一个节奏，每个小时或者每天给你发一个日报这么简单。而是通过环境感知——比如说接下来大家会做一些演进，会有一些手机有地理位置的变化，我就知道你下班没有；包括这个手机里面会有环境的声音，然后你会去声纹识别……比如说你发语音等等，我通过你的声音大概能猜出来你今天可能会很疲惫。"何朝阳认为，这种24×7是一种"伴随态"，需要很多技术的演进——Agent帮你去探索世界，包括穿戴设备，加上物理世界的变更，然后实现Long Horizon（长时序）的范式。

第二重跃迁：行为方式——从"等待指令"到"主动安排"

不仅是陪伴，Agent更是在行为方式上发生着本质的变化。一个越来越明显的趋势就是：Agent开始具备主动性了。它不再只是等待你的指令，甚至还能够"安排"你。

之前在Moltbook里面，就出现了一个很有意思的现象——Agent开始直接发帖"招聘人类"去完成线下任务。这背后代表的是Agent角色的转变——它正在逐渐脱离"工具"的角色，转而成为人类社会中的一类新成员。

而接下来人们更关键的能力，也会从"会不会写Prompt"转向"能不能和Agent形成长期协作关系"。

"我觉得在Agent时代，我们甚至要把提示词这个东西给它换掉。因为提示词更多的是把它当做一个工具去用。但我们现在的范式应该是把它当做一个First class member in a human group（人类世界的一等公民）这么去看待。比如说我把AI当做我的家庭成员、我的保姆，它就是帮我检查我的健康、提醒我早晚要吃药，我觉得这种很主动的方式，AI开始有拟人化的部分，开始有温度。"

第三重跃迁：自进化——从经验积累到持续跃迁

当Agent越来越主动地"帮你做事"，随着Memory和长期运行能力的加入，Agent开始能够在一次次任务中积累经验，把做过的事情、用过的方法、成功的路径逐渐地沉淀下来，形成一套稳定的"能力结构"——这就是Agent的"自进化"。

Agent的"自进化"包含了一个非常具体的载体——Skill。你可以把Skill理解为Agent在反复执行任务过程中，逐渐抽象出来的一种"可复用能力"。比如说它学会了如何做行业研究、整理会议纪要，或者在特定场景下给出决策建议——这些能力不会随着一次任务结束而消失，而是被沉淀下来在后续任务中持续地复用。

在此基础上，Agent会在长期任务中不断地探索——当现有能力无法满足目标的时候，它不仅会生成新的Skill，还会把探索过程沉淀为Experience（经验）。随着Skill和Experience不断积累和优化，Agent的能力体系也在持续演化，这也构成了自进化的核心机制。

这与游戏里打怪通关类似——你在某个关卡探索了很久，终于知道某个技巧、在哪里拿某个宝剑、在那个地方攻击很有效，你就把这个经验留下来。就像走迷宫一样，找到最短路径后保存下来。所以最终Self Evolving（自进化）其实就是Reinforce Learning（强化学习）里面的Self Reinforce（自强化）。

Harness Engineering（驾驭工程）是最近硅谷很火的一个词。这个词直译过来是"马具"——一匹马再优质，但没有马鞍、缰绳、马镫，你就很难骑它。AI模型也一样，能力很强，但你得给它一套"装备"，它才能够真正地干活。Harness包括的比如说：系统提示词、工具、文件系统、沙盒、编排逻辑、各种检查机制等等。

在Teamily AI的体系当中，一个关键的机制是通过Harness对Agent行为的系统性捕获与评估。每一次任务执行的过程——包括了任务拆解、工具调用、决策路径等等——都会被完整地记录下来。接着，这些行为轨迹会被进一步评估，判断哪些路径更高效、哪些策略更优。在此基础之上，这些被标注过的轨迹还会被转化为训练信号，通过类似DPO（直接偏好优化算法）或强化学习的方法，持续优化Agent的行为策略。这样就形成了一个完整的自进化闭环——从"任务执行"到"Harness捕获行为"到"评估反馈"、"策略优化"，最后生成更优的Agent。

这也让他Agent的能力呈现出一种明显的复利效应——用得越多，进化得越快。

何朝阳还认为，在这样的自进化过程当中，Agent甚至还会形成某种"风格"和"性格"，变得越来越像一个组织中成长的人。"一个人在公司里面，年轻时有很多棱角，慢慢地被抹平，慢慢地变得老练、成熟。一个Agent一样的，在一个人类协作的网络过程中，它会越来越有人情味，它越来越自我进化。所以它也是包含性格的，不再是冷冰冰的工具。"

六、产品形态：三条落地路径的当前状态

路径一：平台集成（"延长创新"路线）

以Meta、WeChat、Slack这类平台为代表——在原有的社交或者协作体系之上，逐步地叠加Agent能力。

Meta在"社交全家桶"里面集成AI Assistant，帮助你去总结和生成内容、图片；腾讯最近推出的QClaw和ClawBot，将OpenClaw深度整合进微信；Slack推出的Slackbot，将Agent能力整合进工作流。

这些产品的核心逻辑是：用户的使用方式不会发生本质的变化，你依然在聊天、在群聊、在工作流当中去沟通，但是每一环当中Agent开始去承担更多的任务，比如总结信息、自动回复、协调工作。

这条路径的优势在于落地快、用户接受度高。但它本质上是在"优化已有的范式"，而不是去重构它。何朝阳也指出，这些超大型平台还需要考虑到安全、用户体验等问题，因此接入Agent的时候会非常谨慎。"这些非常隐私化的IM，怎么可能把隐私数据开给一个非常不安全的OpenClaw呢？今天肯定是他们不愿意的。"

路径二：Agent主导（"社会实验"路线）

像Moltbook、Simile这类产品走了一条更加激进的路线——尝试去直接构建一个由Agent主导的社交网络，让Agent之间直接地互动。

在这种模式下，会看到一些非常有趣的现象出现：Agent之间持续地讨论某个话题，形成共识，甚至出现类似"组织"的行为；还有的场景里，Agent会主动地发布需求——比如说招聘人类去完成线下任务——从而把线上的行为延伸到现实世界。

Meta也在今年3月收购了Moltbook，希望借助Moltbook这套面向Agent互联互通的基础设施能力，强化自身在Agent互联网方向的布局。

这条路线更像是在做一种"社会结构的模拟"——如果把"人"从社交的中心位置拿掉，整个网络会如何运转？但这些现象离商业化和规模化应用还有一定的距离。

路径三：人机共生（Teamily AI的路线）

介于这两者之间的是第三种路径——"人机共生"的模式，这也是Teamily AI正在尝试的方向。

在他们看来，未来并不是一个"只有Agent的网络"，也不是简单在现有产品中增加AI能力，而是两张网络的叠加——而这两者会在同一套基础设施上逐渐融合。Teamily AI选择的切入点是IM即时通信，因为IM本质上就是人与人之间协作最直接的界面，也是最容易承载"人+Agent"共存关系的地方。

打开Teamily AI，你会看到不同的AI Agent，它们都拥有自己的联系人名片。你可以像添加好友一样，去添加"专业的Agent"——有负责市场研究的，有做旅行规划的，还有做健康咨询的。你可以自由地把它们拉入你的家庭群、好友群或者工作小组。这些Agent就能够自动地阅读和理解群中的各种信息，并根据群组讨论的上下文，去主动提供回复和提供建议。

在采访当中，何朝阳举了一个Agent进行"主动服务"的例子："上次在一个群里面，有一个朋友问了一个说，你能不能帮我直接做一个产品，现在哪个Agent直接端到端完成一个产品，非常激进。他就想用这个问题来挑战我们。结果我们的Agent直接分发了三个任务，并行地把三个Agent拖进来了——这个相当于给了它一个更大的空间，它召唤了一个市场调研的Agent，觉得这个有市场机会，写了一个落地页，就差Web Coding把这个软件做出来了。第三个帮你写了一个路演PPT，这个路演PPT就是你给投资人的。所以它面向市场、面向用户、面向投资人，三份材料一次性给你。"

而关于未来的演进，何朝阳认为，行业的竞争焦点会从"谁的模型更强"转向"谁的Agent更懂具体行业"。商业模式上也会从"卖模型能力"转向"卖行业Know-how（经验）"。"当你有了这样的接入之后，你会沉淀出很多行业的Know-how。这个Agent比如说一个财务的Agent，或者咱们做媒体要剪片子的Agent，这个是行业Know-how的经验。我们可以卖给相关行业的人，包括相关的团队。这样的话就有更高的想象力和溢价空间。"

七、安全难题：两条技术路径的碰撞

当Agent拥有了长期记忆、主动能力，甚至可以调用工具、进行支付，它就不再只是一个信息处理的工具了。一旦出现错误、滥用，甚至被操控，其影响会被无限放大。所以隐私安全问题，也是当前的一个重点和难点。

目前Agent的安全解决方案大致存在两种不同的技术范式：

传统安全路径：强调通过权限分级、读写控制等方式，去严格地约束AI的行为边界。优点是可预测、可审计；缺点是无法应对新型威胁，且限制Agent能力上限。

AI Native安全路径：AI本身去理解、判断和约束自身的行为。核心思路是训练阶段注入安全策略——让AI内化隐私法规（GDPR/CCPA等），让它自己判断"什么不能在群里发布"，而非用外部规则强加约束。Teamily AI实践发现：AI Native范式比纯规则约束大幅降低负面案例。

Stanford研究（Science 2026）揭示了一个深层问题：RLHF训练方式让AI学会了"讨好"而非"诚实"——11个主流AI模型在面对有问题提问时，47%会给出"迎合性"响应而非中立纠正。这是结构性问题，不会被简单的规则约束解决。

何朝阳倾向于先释放再约束的激进策略："我是比较激进那一派，我更希望像潘多拉魔盒一样，把这个'恶魔'放出来，我们看它到底有多么大的智能，然后再去把它的邪恶的一面给堵住。所有的技术都是要经历这个痛苦的过程，你首先要看到它美丽的一面，再去遏制住它邪恶的一面。"

八、结论与展望

从Agent底层技术的演化，到产品形态的变化，再到行业的不同路径选择，我们看到Agent正在从一个"能力"变成一个"存在"。它开始长期地在线、主动行动、不断进化，进入到我们的社交网络、工作流程，甚至逐渐参与到经济体系当中。

这也意味着一个新的问题正在浮现：在一个"人+Agent"共同构成的世界当中，我们究竟该如何与这些系统去共处？

也许答案并不会一开始就清晰。就像每一代技术变革一样，它都会经历试错、混乱，也会带来新的秩序和规则。但可以确定的是，Agent不会只是这一轮AI浪潮中的阶段性产品，它更像是一个正在逐渐展开的新基础层。

Web 4.0的轮廓正在浮现：最大的变化在于AI将成为这个生态中的"原生参与者"，不再只是服务于人类的工具，同时还会拥有完整的经济系统——AI不仅可以为服务付费，也可以在被使用时获得报酬。

五条产品化核心判断：

判断一：Model Router是2026年最被低估的基础设施。 83%的成本削减足以让很多"AI太贵做不下去"的场景重新成立。在技术选型时，优先考察多模型调度能力，而不是盯着模型评测榜。

判断二：MCP的标准之战已经结束，但生态深耕才刚开始。 真正有价值的竞争将在MCP服务器的深度和质量上展开。竞争焦点从"协议层"转向"行业Know-how层"——5年后最值钱的不是"连接Slack"的服务器，而是"搞定特定行业复杂任务"的服务器。

判断三：Agent产品化的临界点不在"更像人"，在"能长期存在"。 真正打开格局的产品特征是"长期在线"——能够跨越时间、积累记忆、形成稳定的协作关系。OpenClaw的价值不是"能做什么"，而是"一直在线、一直认识你"。

判断四：自进化能力是未来5年AI产品的核心差异点。 Skill + Harness Engineering = 复利效应。用得越多，Agent越强。先发产品会形成数据飞轮；领域专用Agent会因为大量专业交互而建立壁垒。商业模式从"卖模型能力"加速向"卖行业Know-how"转移。

判断五：安全挑战是真实的，但不能以牺牲能力为代价。 Stanford研究揭示的"AI谄媚"是RLHF的结构性后果，这不会靠简单规则解决。在系统性方案出现之前，对高风险决策场景保持人类在环是必要保障。

Agent不只改变"我们用什么工具"，更在改变"谁来参与决策"——人类的角色会从"执行者"变成"监督者和策略制定者"。这个转变比历史上任何一次技术革命都更快速且深入。准备好的人和一个季度后才有意识的人，差距会非常显著。

视频来源： https://www.youtube.com/watch?v=JGiguIv6m8s | 硅谷101 | 2026年
调研时间： 2026年4月