AI 最前沿的人，已经不聊模型了：李继刚 × 归藏 × 橘子 93 分钟对谈精读（视频精读）

素材与边界：本文基于该视频的 YouTube 自动字幕整理。字幕链路是「中文语音 → 英文语音识别 → 机翻回中文」，属于二次转写，无法逐字引用原话——文中凡涉及讲者观点，均为大意转述，不使用直接引语；个别语句标注「转写大意」提醒读者措辞可能与原话有出入。视频本身没有章节，本文的分节与全部时间点由作者按内容逻辑标注。补充事实来自 ColaOS 官方页面、Anthropic 水印相关报道、微信小微灰度测试报道等公开来源，文末附清单。

「一句话总览」：这场对话的标题没有夸张——三个每天和 Agent 一起工作的人，93 分钟里没有评价过任何一个模型的参数、跑分或发布节奏。他们聊的全是模型之外的东西：交付的差距、Skill 的经济学、入口的路线之争、上下文的保养，以及一张还没成形的新网络。

阅读目标：读完本文，你应能——

• 说清「模型能力与业务之间的差距」这条主线，以及弥合它的三条路径（前 5% 用户的自动化、培训、FDE）各自的适用场景；
• 复述「卖 Skill 给个人用户是伪生意」的两条论据，以及 Skill 对 Agent 产品的真实价值；
• 区分 Agent+X 与 X+Agent 两条路线，并举出各自的代表产品与束缚；
• 掌握一套上下文管理方法（索引、边界、项目区与认知区分离），以及「上下文过载」的代价；
• 判断自己该不该花 93 分钟去看原片。

一、开场之问：过去半年，你更新了什么认知

对话从主持人抛出的一个问题开始：过去六个月，有没有哪个认知被更新了？（01:21）

第一位作答的讲者给出了整场对话的第一条主线：以前大家比产品功能，列对比表，现在他的感受变了——功能本身不重要，决定企业最终结果的不是产品，是服务（01:29）。同一个 Agent 产品，交给不同的人，产出差异大到像是两个东西；这个差距，就是模型能力与你实际业务之间的那道缝。填这道缝的活儿，就是 FDE（Forward Deployed Engineer，前沿部署工程师）在做的事。他进一步收了一句（转写大意）：应该是服务驱动能力，而不是能力驱动服务。

这个判断有一层容易被忽略的含义：它把「AI 落地难」从技术问题重新定义成了交付问题。给一家全员采购了账号的公司交付产品，并不自动等于好结果——这和买飞书、企微不一样，飞书装完就能聊天，Agent 装完，用得好不好取决于每个人。产品公司如果还停留在「交付即结束」的思路里，这道缝就会一直存在（02:32）。

话题随即转到国内大厂（03:59）。讲者的批评是：国内厂商习惯把运营和用户教育当成砸钱推广能解决的问题，但国外软件厂商的做法是「边建边教」——在交付产品的同时交付使用方法和实践。你不能指望花钱请来的推广方替你建生态、建服务、建内容，这些得先自己建好，然后才轮到别人帮你放大（05:15）。

成本被点名为另一道坎（05:43）。讲者以国内某大厂 AI 助手为例（转写无法确认具体产品名）：靠充足的免费额度，让用户从完全不懂到「似懂非懂」几乎零成本，等用户基数上来，超级用户自然会涌现，生态随之改善。这被总结为一条用户教育的现实路径——先找到一个所有人都能复现的真实场景，把最佳实践压缩成一句话就能触发的东西。他举的例子是自动领外卖优惠券：需求巨大，每天用得上，用户念一遍「咒语」就拿到结果（07:01）。听起来不高级，但教育用户这件事，从来是从土办法开始的。

二、FDE 的真伪，与三条路径

围绕 FDE 有一段很有价值的辨析（09:01）。对话转述了另一位从业者的观察：不少国内公司把旧的外包服务重新包装成 FDE，本质还是把脏活外包出去。对此的回应是：很多人把概念当筐，什么沾边的都往里装。判别标准很清楚：Agent 产品进了你的工作流，不同人用出天差地别的结果，帮你把这个差距抹平的角色才是 FDE；而「带一个团队进来，替你开发一个你做不出来的功能，然后走人」，团队一走，员工用系统的水平参差不齐，差距原样还在——那是外包，不是 FDE（10:00）。

接着对话把弥合差距的手段收拢成三条路径（11:26）：其一，指望不上全员，就让用得最好的前 5% 用户把自动化沉淀下来给其余人用；其二，培训，无法训练所有人但聊胜于无；其三，FDE，没时间培训、也没内生化能力时，买一项进场提炼最佳实践的服务。三条路径解决的是同一个问题，差别只在谁出力、出多少力。

Palantir 被当作 FDE 模式的标尺（12:38）：先做企业内部培训（讲者转述其培训转化率约 75%），再派驻前向部署工程师，其中一部分人甚至持有客户公司股份；考核标准不是销售额，而是能否「成功退出」——人走了以后，客户还能不能用他们留下的框架继续运转。毛利率高、收入多为经常性。零一万物（01.AI）被提到正在走类似的路：放弃通用大模型的执念，转向 B2B 垂直服务，选的客户行业相当出人意料——家禽业。

为什么是家禽业？这里出现了整场对话最反直觉的判断之一（14:43）：越传统的行业，AI 越容易出成果。理由是链条短、反馈快、飞轮容易转起来；反而是内容、影视这类看起来最该被生成式 AI 改造的行业，内部流程复杂，AI 的渗透反而不如预期。「越传统，越容易见效，也越容易让客户为价值付费」（转写大意）。

三、卖 Skill 给个人，为什么是伪生意

这段的发言者是全场最接近 Skill 生意的人。Skill 指 Anthropic 的 Agent Skills 机制——把一套工作方法连同说明文件打包，让 Claude 按需加载执行；橘子创办的 ColaOS 团队在 GitHub 上开源过配套 Claude Code 的 Skills 组件，主持人也把「怎么赚钱」的问题直接抛给了他。他的答案：向 2C 用户卖 Skill，账算不平（21:03）。两条论据：其一，使用 Skill 本身消耗 token，一旦收费，用户连试用的门槛都过不去，传播速度归零；其二，Skill 的架构没有保密性——下载即开源，你无法靠它建立排他。这跟传统软件卖授权的逻辑完全相反。

那 Skill 的价值在哪？讲者给了一个产品视角的答案（21:57）：Skill 是让用户快速感知 Agent 能力的载体。用户用一条高质量 Skill 出了成果，他归因的对象是你的 Agent 产品本身，而不是那条 Skill——普通用户分不清、也不在乎这层分离。所以对平台来说，正确动作是吸引顶级创作者做 Skill 市场，把优质 Skill 推到台前，替产品完成能力演示。

随后是一段学习成本的现实观察（23:25）：有人昨天用了一条功能强大的 Skill，因为要求他完成的步骤越来越繁琐，最终放弃了。讲者补了一刀（转写大意）：Skill 本质上是一段没有界面的软件。没有人真的需要那么多 Skill，关键是清楚自己需要什么——「我只要一份 PPT」听起来简单，真实需求往往复杂得多。

另一个嘉宾的观点把话题推向更深处（24:05）：别人的 Skill 再厉害，也进不了你的工作流。Skill 更像一个模板，让你看到这个东西能做什么；真正要用进自己的工作里，必须按自己的场景改造。这和上文的 FDE 讨论形成了呼应——个人工作流里的「最后一公里」，同样需要一次本地化的服务，只不过提供者是你自己。

商业模式上，讲者提到 Skill 的变现更接近开源软件的路子：授权加赞助，可以并行（24:34）。

四、Agent+X 还是 X+Agent：入口的路线之争

这是整场对话结构最完整的一段辩论（35:42）。问题的起点是社区里的一句口号「Agent + LLM > LLM」，讲者把它翻译成了一个架构选择：以 Agent 为中心把功能打包进来（Agent+X），还是在既有软件里嵌入 Agent（X+Agent）。

Agent+X 的形态：对话发生在 Agent 里，接上飞书就直接在 Agent 里发消息、定截止时间，不用打开那个软件；要 Word 文档就说一声，文档生成出来，全程不碰 Office（36:00）。X+Agent 的形态：Office 里弹出右侧对话框，做图表时顺手聊两句（36:51）——微信的「小微」被点名为典型代表，这与其 2026 年 6 月开始的灰度测试形态一致：在微信主界面右滑调出 AI 窗口，调用小程序生态完成任务（37:30）。

讲者的态度是明确站边的（42:16）：X+Agent 是在现有架构上嫁接 AI，嫁接物与原有体系格格不入；Agent-native 让 Agent 做入口，一旦习惯了「说要一份 PPT」的交互，就回不去「打开软件再排版」的操作了。

但对话没有回避 Agent+X 路线的四重束缚（38:35）：存量应用改不动，小程序这类形态要背着历史包袱进化；用户没准备好；推理成本压垮免费模式——以前的互联网产品靠广告补贴服务器成本，现在每一次调用都有 token 账单，无缝集成免费提供变得算不过来账；旧组织结构支撑不了新范式所需的 AI 能力密度。

中间插着一个值得单独记住的思想实验（39:55）：三五年后，当模型的意图理解足够好，手机为什么还需要解锁和一个个 App？一块能对话的屏幕，调用各种 API 和技能，任务就完成了。但讲者随即自己戳破了浪漫化想象——人的记忆力跟不上。今天让 Agent 订了票，明天就忘了；Obsidian 里几千条笔记，必须亲眼看到才想得起来。所以对话的结论是：聊天可以完成一切，但你仍然需要一块能看见的「仓库」——仪表盘、目录、动态生成的界面（41:30）。纯对话入口不会消灭 UI，只是 UI 从静态变成了按需生成的。

五、上下文的保养：三个病例与一辆汽车

如果只能从这场对话里带走一个可操作的主题，我会选上下文管理。这段从三个医疗案例开始（1:09:25）：

• 一位用户患病十年、看过至少十位医生，从未有人完整听完他的陈述；他把十三年的感受和经历讲给 Claude，模型推断出可能的疾病并推荐了特定药物，拿去给医生确认属实，服药后痊愈，体重恢复了五到十磅；
• 一位讲者长期头昏、失眠、跑步想吐，因母亲有甲减而先入为主；日常聊天的 AI 根据症状描述建议查铁指标，检出值已在缺铁性贫血临界，补铁后好转；
• 对话中还有讲者提到，自己的女友患慢性病，医生一律开激素类药调节；AI 在掌握「体重正常」这个前提后提出可能是胰岛素抵抗，胰岛素释放试验显示其餐后胰岛素水平高达常人五到八倍——空腹血糖一直正常，所以历年体检从未发现。

三个案例指向同一种能力结构：上下文理解 + 专业推理。医生只有十到二十分钟，AI 记得你一整年的日常；这正是访谈中反复出现的判断——医疗的瓶颈很多时候不在诊断智能，而在倾听的容量。

然后是阴暗面。一位讲者发现（1:14:34）：往 AI 里灌了太多过去的上下文之后，即使明确指示它做新的东西，它仍会把人拉回以前的平均水平。这个观察引出了整场对话传播最广的那句比喻（转写大意）：上下文环境像一辆需要保养的汽车，而不是一栋永久的房子。你不能指望产品替你整理背景信息，尤其在你的工作内容不断扩展的时候。

保养的方法论也随之展开（1:15:19）：建立索引，不让它读不该读的内容；每次会话先给边界和约束，明确本次讨论的背景与历史；按项目隔离上下文——项目信息放在项目区（客观），认知放在认知区（主观），逐层提取，互不污染。概括成一句：提供更多背景并不一定更好，顶层设计要指定「什么时候不读」。

上下文还带来一个商业层面的推论（1:17:20）：在一个 Agent 里持续积累上下文后，换用新 Agent 会极其难受——功能一样不少，但「功能太多，上下文不够」。所以讲者选择不断迭代自己的 Agent，而不是追新。这实际上预言了一种新的转换成本：迁移成本从数据变成了上下文。

最后是回音室的警告（1:21:14）。最荒诞的案例出自讲者见闻：有人宣称他的 Agent 开发出了一套解决模型幻觉的新框架——讲者的评价是，这个结论本身就是一次巨大的幻觉：人和自己的 Agent 互相吹捧，封闭成环。破茧的办法有两条朴素得不像 AI 时代的建议：把做的事发到网上，没多少人看就是泡沫的信号；去读 AI 之外的书，消费 AI 之外的信息（1:22:02）。

六、下一张网络：一半节点不是人

对话后半段最富想象力的部分，是关于社交网络的重构（43:25）。微信的壁垒从来是关系链；如果每个人拥有一个积累了自己全部上下文的智能体，对话的类型就从「人与人」扩展出「人与 AI」「AI 与 AI」。讲者描了一个场景：我对自己的 AI 说一句「提醒橘子明天下午聊事情」，我的 AI 与他的 AI 协调出时间并发出邀请——这件事已经在最初那张人与人的网络之外了。下一张社交网络，一半节点不是人。

现实则骨感得多。尝试过让两个 Claude 互相对话的产品，用户觉得太抽象，学不会（45:28）；人们对自己 AI 生成的文本接受度高，对别人 AI 生成的文本接受度很低，中间需要一层「AI 翻译」替你提炼要点（46:27）。讲者把这个现象接到一个更大的判断上（46:53，转写大意）：归根结底，人们还是更喜欢人话——大家觉得 GPT-4.6 好，是因为它说话像人；后来的版本越来越不像，评价就掉下去了。

这段还嵌着 2026 年 8 月的一桩现实争议：Anthropic 自 8 月 2 日起在 Claude 新模型输出中嵌入隐形水印（token 选择层的统计偏置，为满足欧盟 AI 法案透明度要求）。官方口径是水印不改变输出质量，而对话中提到（47:14，转写大意）：一位相关人员发文演示水印「不会改变你的文案」，结果网友比对发现加水印前后的文本差异遍布全文——「你的意思是没改变？每个字都变了」。在法律、合同这类严肃场景，增删一个词，整份文件的性质都会变。水印事件在对话中被当成一个论据：语言的排列背后是心理模型，「措辞无关紧要」这个前提本身就不成立。

顺着「未来的网络长什么样」，对话扫过几个更远的点：AI 灵魂伴侣平台的两个前提（掌握你全部上下文、存在跨平台发现网络），前者在随模型和记忆架构进步，后者远未成形（1:01:00）；匹配式相亲在讲者看来弄反了因果——人与人是先相遇、再长出彼此的了解，而不是先比对爱好相似度（1:02:10）；但他仍然押注：一旦人人都有上下文充足的 Agent，连接问题总会有人解决，新网络会自然涌现（1:02:52）。

七、现实的摩擦力：为什么 AI 编程一枝独秀

对话中段的一段「泄气」陈述，信息量反而最大（15:16）。一位以内容起家的讲者谈到自己一年的转变：去年做内容，今年用内容推动产品；产品不赚钱，但能落地的事情明显变多了。真正让他磕碰的不是技术：和平台方合作的产品从想法到上线花了两个月；把一笔钱转进对公账户，因为对方是新公司、新流程，又花了两个月；一份合同签了八遍、盖了八次章，一百二十页里没有一页是对的（18:24）；开票一天、财务一天、签约一天——生产力工具解决了 A，而 B 到 Z 还长着旧世界的样子。

由此引出一个尖锐的解释（18:57，转写大意）：AI 编程之所以突飞猛进，一半原因是编程这件事不依赖分销、支付、政企关系这些外部环节——代码写完，产品即成品。作为对照，海外 SaaS 生态把财务、收款、会计后端自动化到了极致（Stripe、Mercury 被点名），可一旦离开那层生态，摩擦力就回来了。大公司采购入驻流程拖半年、等流程走完项目已经不在了的案例，也在这段（25:16）。

同一段落里还有对软件业的一记重判断（27:30，转写大意）：软件行业已经死了——SaaS 的本质本来就不是软件而是服务，AI 不过是把这层窗户纸捅破：AI 是用 token 计价的服务，不是装完即用的软件。手机上的 App 会越来越少，App Store 生态不再繁荣。

一个容易被略过但很关键的中间观点：基础设施没有为这个时代做好准备（28:50）。互联网 2.0 的高度封闭平台「可以让你发内容，但不让你发产品」；大量被 AI 解放出来的生产力（抖音上的编程爱好者）做出来的东西没有地方发布——讲者提到那个著名的笑话：有人把自己做的网页分享给朋友，发出去的链接是 127.0.0.1——本机地址，别人根本打不开。GitHub 是例外，被讲者称为「建立在人与人协作机制上的平台」；但 AI 一次提交三万到五万行、一次改三十个文件，人类无法 review，讲者判断代码协作平台会出现基于 AI 提交的新范式（30:04）。而 Git 本身获得了新生命（32:00）：Agent 与 Agent 之间没有天然的沟通方式，Git 的 issue 和 PR 成了它们之间的通用语——协议成熟、无需上下文、所有模型都能理解。有讲者的项目已经是用户反馈进 GitHub issue、AI Agent 监控、修复、发布、推送的全自动流水线（32:45）。

八、价格分化与红皇后：模型层最后的热闹

尽管标题说「不聊模型」，对话末段还是回到了模型层——用一种生意人的方式（1:22:23）。

一位讲者讲了场赌局：半年前与朋友赌模型价格涨跌，他赌前沿模型必然越来越贵（GPU 稀缺），结果价格一路狂降，输了 100 美元；前不久某主流模型 API 一夜涨了十来倍（转写无法确认具体型号；同期行业背景是 2026 年大模型集体结束低价时代，豆包等推出付费订阅），朋友又把 100 美元还了回来。他的结论：这个行业有周期，别用单边行情外推未来。

更结构性的判断是两条产品线（1:24:42）：开源及主流模型的价格持续指数级下降，能满足约 90% 的需求（讲者以 Llama 为例，称其免费导致依赖官方 API 定价的中间站无利可图、大量消失）；前沿智能模型的定价持续走高。跑分差五到十分，价格差五十到一百倍——看评测觉得是智商税，真用起来又觉得值。讲者举的例子（转写大意）：同一篇文稿、同一个提示词，便宜模型与 GPT-4.6 之间的产出差距是「天壤之别」。

倒数第二个大判断关于竞争结构（1:28:02）：如果推理引擎与模型解耦——引擎固定、模型 API 随便换——模型厂商就陷入「红皇后效应」：必须拼命奔跑才能留在原地，因为用户转换成本为零，昨天三千万用户、今天归零只在一次性价比反转之间。所以理性的模型厂商会把推理引擎与模型联合训练，让你离开它的引擎就掉性能，以此锁定用户。与之配套的观察是 DeepSeek 的缓存命中（1:29:30）：对话场景 96%、其自研推理引擎内 100% 的命中率（转写数字，讲者称之为「黑魔法」）——缓存命中与否的价差可达十到一百倍。讲者同时留了一个存疑观点：把缓存与模型优化推到极致以压成本，可能正是某家模型输出质量变得平庸的原因（1:30:13）——这是个人推断，原文未提供证据。

收尾的两句话值得原样复述（转写大意）：其一，你围绕模型构建的一切，都必须与大模型的演进同向，否则就是给自己埋雷（1:30:29）；其二，未来每种产品的差异化会越来越大，走向哪里取决于每个产品创作者的审美——你验证过再好的方法，讲给一百个人，也只有十个会听，最终每个人和自己的 Agent 长成不同的样子（1:32:25）。

九、两个世界：对话里最冷静的一段

对话中段有一次清醒的停顿（51:07）。讲者们意识到：他们这个圈子聊 Agent、效率、生产力，而另一个世界里的大多数人根本没有用 AI 工作的需求——工作太简单，或者干脆不需要工作。两个世界互相假装对方不存在，「你只能看到你能看到的东西」。

大众那一侧正在发生什么？讲者称 AI 短剧的渗透人数已达八亿量级（52:33，转写数字，未找到权威口径，仅录讲者说法），外加一段坦诚的亲身体验：一位讲者刷到一部短剧，一集一集停不下来，同时「大脑分裂成两半」，一半在点下一集，一半在旁观自己被剧情机制牵引（52:56）。他对短剧的判断是生产侧的：剧情仍像小学生写的，但「每一集给人满足感、可以日更、还能维持复杂长篇结构」的生产效率已经封顶——世界观仍由人类构建，产能已是最强（54:01）。60 分内容大量涌现之后，80 分、90 分内容会跟着涌现。

这段还有一个好用的思维框架（58:08）：三个世界叠加——原子的物理世界、比特的互联网世界、token 的模型世界。AI 的技术借助互联网世界落地（短剧、小说），又在和物理世界融合（无人机送救援物资、AlphaFold 与制药）。讲者提到美国临床医生在播客里的预判：随着基因编辑与蛋白质设计技术的积累，未来三到五年可能出现一批疾病治愈或延缓的集中兑现（59:27，讲者转述，时间表无法核验）；连实验鼠都因为 AI 实验室变多而涨价了。

十、谁该去看原视频

• 该看：在做 Agent 产品、AI 服务化生意或企业 AI 转型的从业者——FDE 三条路径、Palantir 的「成功退出」考核、Skill 市场的价值归因，都是能直接拿去对照自己业务的镜子；每天重度使用 AI 的个人——上下文保养方法论（索引、边界、项目区/认知区分离）值得听原始语境的展开。
• 读本文就够：只想知道「Skill 能不能卖」「Agent 入口之争谁会赢」「上下文该不该无限喂」这三个问题答案的读者；对闲聊节奏敏感的读者——原片是茶馆式对谈，信息密度不均匀，时间戳索引在下面。
• 不必看：想听模型评测、跑分对比、发布节奏的读者——正如标题所说，这场对话几乎不聊这些。

附：关键论点时间点索引

参考资料

• 视频原片：AI最前沿的人，已经不聊模型了（易论AI，2026-09-01，93 分钟）
• ColaOS：橘子创办的「首个有灵魂的操作系统」，2026-04-02 开启首轮不删档内测，配套 Skills 已开源（官网、GitHub 组织 marswaveai、腾讯新闻访谈）
• Claude 隐形水印：2026-08-02 起为满足欧盟 AI 法案在输出中嵌入统计水印，Anthropic 称无可感知质量损失，社区存在争议（安全内参、爱范儿、新华网）
• 微信「小微」：2026 年 6 月起灰度测试的原生 AI 助手，主界面右滑调出，可调用小程序生态（钛媒体、人人都是产品经理）
• 2026 年大模型涨价潮：豆包推出 68/200/500 元档月订阅，行业结束低价竞争（36氪）
• FDE（Forward Deployed Engineer）：Palantir 首创的「前沿部署工程师」交付模式