1. 工程能力会被模型取代吗？

这是一个开放式问题。随着模型能力的增强，部分工程工作（如写常规代码、生成测试用例）确实可能被自动化，但复杂的系统设计、问题诊断、资源整合，短期仍需要人类。

2. 牛逼的人能力成长路径

由弱到强分为四个层次：

• 完成工作

• 解决问题

• 整合资源

• 定战略

这不仅是个人成长框架，也可以用来评估一个团队或公司的成熟度。

3. GPT-3.5的涌现与商业化的取舍

GPT-3.5之所以能涌现出惊人的能力，是因为前期投入了巨大的研发成本。如果是纯粹的商业公司，追求短期利润，大概率没有这样的土壤。但OpenAI商业化之后，也剪掉了许多研究性的方向——这是他们的来时路，也是商业与研发之间的天然矛盾。

非功利化的环境可能培养出Super产品，但太商业化又会遏制创新。两者之间是否存在平衡？目前看，很难，但值得探索。

4. 研发与营销同等重要

对于一个产品来说，技术再强，如果没人知道、没人会用，也无法成功。研发决定产品的上限，营销决定产品的下限。两者缺一不可。

5. Agent盈利的护城河在哪里？

目前真正靠Agent盈利的公司不多，代码Agent（如GitHub Copilot）是一条已验证的路径。其他模式呢？

• 垂直行业Agent（如法律、医疗、金融）

• 企业流程自动化Agent

• 个人助理Agent（订阅制）

护城河可能来自：

• 数据壁垒（特定行业的私有数据）

• 工作流深度集成（难以被替换）

• 多Agent协作的编排能力

Harness算不算？ Harness本身是CI/CD平台，如果它能将Agent能力嵌入到软件交付全流程，并形成粘性，那么它可以成为Agent盈利的一个案例，例如Claude Code就是一个很好的案例，基模是和智能体一起进化的，模型与智能体都是量身定制。

6. 未来是多Agent协作的主流

单个Agent能力有限，未来趋势是多个专业Agent分工协作，各自调用不同工具，通过一个编排层（如AutoGen、LangGraph、CrewAI等）完成复杂任务。这与微服务架构的演进逻辑类似——把一个臃肿的单体系统拆分成多个高内聚、低耦合的服务。

而这背后隐含一个更深的变化：各个子领域会出现越来越“专”的模型。

• 文字排版：不需要懂前端，只需要懂排版规则和输出格式

• 前端设计：模型专注于HTML/CSS/JS生成，甚至熟悉组件库

• 项目规划：模型擅长拆解任务、识别依赖、估算工时

• 代码生成：模型专注于特定语言或框架（如Python后端、React前端）

• 法律/医疗/金融：垂直领域模型，掌握私有知识和合规逻辑

这些“专模型”比通用大模型更小、更快、更便宜，也更容易微调和部署。它们各自做好一件事，然后通过Agent协作框架组合起来，反而能实现比单一超大模型更灵活、更可靠的系统。