聚焦在现有工作上用coding Agent去解决，是一条错误道路，人类已经把能吃的红利吃差不多了， 接下来就是无尽的人指令-agent执行-人指令-agent执行的iteration中逐渐迭代工作，很难把人从这种小幅度高强度反复的iteration中解放出来。 因为现有codebase不仅高度复杂，而且人的大部分命令都是高度模糊、 高度开放、高度自由、无法验证的命令， 场景也是高度开放、高度自由、无法在containers中直接测试跑一跑，必须在真实世界中获得反馈才能继续修改工作。 所以我最近半年一直坚持反复告诉大家： 1. 在现有所有大型科技互联网软硬件移动外包平台coding agent的红利很快就吃完，现有人类像唱山歌一样和claude code高强度一问一答的模式，就是短期内的最优解——像full self coding一样大量agent并行完成coding工作，不会带来更多的收益； 2. 在coding agent很快增长和红利消失的大前提下，人类如果想继续把AI Agent和multi agent的红利吃干抹净，必须持续找到有价值的新领域、新方向、新问题： A. 同时满足问题定义简单干净、环境封闭、非常非常易于verify、问题解决方案搜索空间巨大的复杂问题，让goal-driven( 前提是易于verify，必须用很低的成本去verify最终输出是否正确，保持持续验证这个criteria，给予正确的反馈和无限工作循环的核心条件，直到完整完成工作； B. 能够把multi agent的并行度吃干抹净，一次性1000个agent大批量初始化和启动，在一些setup中持续活跃，保持multi agent的可观测性， 除了openclaw时代就臭大街的各种爬虫以外，还有行为经济学、社会学、心理学、教育学、法学等等大规模试验，不由分说充足token，先初始化1000个agent模拟跑几天，观察一些初步结论； C. 就像我半年前说的价值10万刀的策略：把一切人类社会中遇到的所有问题，整理成文档、表格、图片、文字、structured data，让一些富有经验、富有memory的coding agent（就是claude code和codex本人）进行一步步解决， 你始终要明白，现阶段的头部coding agent已经足够复杂、 足够高级、机制足够完善，AI Agent已经经历了4~5轮工业革命，完善到整个industry其他任何生态和框架继续手搓的任何agent都像一个玩具，只要一个claude code/codex一个文件夹+一个docker/kubernete，就是未来一切企业和流程中的general agent； 3. 有一点几乎被所有人忽略，也是我近几个月意识到的问题。 在经典deep learning时代，一些产业对于经典neural network和baysian model有天然的不信任感和敌意，他们会非常激进、偏执地要求一切machine learning的模型尽可能地跟随可解释性、AI伦理、因果推断等等方向。 在AI Agent时代，越是激进使用的人，越是对AI Agent产出的代码、报告、分析、数据、结论产生严重的怀疑， 因此不只是GPT model需要superalignment，LLM Agent本身更需要superalignment，在Agent时代，superalignment的重要性会越来越高， 而且AI Agent产出和workflow的可解释性需求也会越来越高，最最基础浅表的就是各种问答chatbot的来源引用，今后其他越来越复杂的工作，包括coding本身，都会有可解释性的大量问题涌现， 一种方式是尽可能用formal verification或者prover的形式来自动化验证， 一种是用agentical的验证方式，就像人一样去用一个或者多个agent来反复review和challenge一项工作； 4. 还有一点很多人没想到，就是AI Agent会对人施加反过来的影响。 比如office出现后，普通人要求用office三件套来完成工作，office重塑了人类办公的基本流程和规范， 比如出现了google之后的早期，普通人要学会正确输入搜索关键词，把想问的问题拆分成正确的关键词，以获得正确query的结果（后来google反复做了优化，这个技能也逐渐不重要）， 比如social network出现之后，人们学会了全新的交友方式、social network的交友礼仪、聊天方式， 所以在AI Agent时代，人最重要的技能，没有之一，就是如何正确使用AI Agent、挑选正确的模型、使用正确的工具、组建正确的prompt、描述正确的问题、输入充足完备的信息、如何用goal-driven去构建一套dual-agent的简单无休止infinite-loop workflow， 一个不会正确定义问题、不会正确输入足够多的信息、不能让AI Agent在一个边界清晰的闭包问题中正确工作、持续工作的人，天天拿AI Agent当成无所不知的万能神、百宝箱、随机神、超人，除了问弱智问题，就是玩猜猜看、问宏大开放的无异议问题， 这种人大概率会被这个时代逐渐淘汰掉。

这些大厂ceo可能都还没意识到agent普及会带来什么变化，说28年缓解都完全太早了. 我们可以想象成跟个人电脑一样， 你可以只用一块gpu，cpu，但是日积月累你可能需要很多块存储卡，现在这个阶段所有人都保守来，现在的ai没有太强的自主性，你问什么它回答什么，制造数据的速度还不是非常快. 一旦ai普及过渡到agent阶段，那速度可能远超人类制造数据速度的百万倍，完全的自主性，无眠无休. 可能超越人类百倍千倍的输入速度，不断电不停止，单日的总输入输出量将会是现有人类的百万倍不止. 他们这些ai巨头老板还在以现在常规的一问一答形式的ai对话形式的来计算存储需求， 实际从开源agent助手clawdbot出现那刻开，最近几年的存储需求都要开始被重估. 你用gpt，用deepseek或者豆包gemini，他的存储需求在你短暂的一问一答后就结束了. clawdbot这种agent助手则完全不是，在你下达任务后，无眠无休24小时狂干，直到你上去检验满意为止. 这二者中间的数据量是天壤之别，唯一限制存储的就是物理世界的存储产能和与ai相匹配的电力了.

Token 经济与加密货币世界的 Tokenomics 有何异同？ 为什么要关注Token？因为它让AI变成了一种可以计量、定价和交易的资源——就像“千瓦时”让电力有了价格，“桶”让石油有了期货市场。有了Token，AI经济就有了可以算账的单位。围绕这个单位，目前也正在形成一套全新的经济逻辑：有价格、有供需、有产业链、有国际竞争、有待解决的制度难题。 这就是Token经济学要讨论的事。Token 经济与加密货币世界的 Tokenomics 有何异同？ 两个Token，两个世界 说起来，这个世界上真正混乱的事情不多，两个东西叫同一个名字却毫不相干，算是其中之一。AI的Token和加密货币的Token，就像两个叫”刘伟”的人，一个在北京开餐馆，一个在上海做期货，见面了也没什么好说的。雷锋与雷锋塔区别！ 但这两个Token，最近都很热闹。热闹到让很多人以为它们是一回事。 Token这个词，到底是不是新营销词 先得承认，Token这个词确实有被滥用的嫌疑。每隔几年，科技圈就会造出一批新词，让人觉得时代变了，其实换汤不换药。“大数据”火的时候，什么都往大数据上靠；”云计算”火的时候，什么都上云；现在轮到Token了。 不过这次有点不一样。Token不只是一个营销标签，它背后有真实的计量逻辑在撑场子。 就像”千瓦时”让电力有了价格，“桶”让石油有了期货市场，AI的Token做的是同一件事：把原本看不见摸不着的”智能算力”，变成一个可以算账的单位。有了这个单位，才能定价，才能比价，才能有产业链，才能有国际竞争。 所以Token不只是营销词，它是一把尺子。问题在于，AI这把尺子，和加密货币那把尺子，量的完全是不同的东西。 AI Token：一个从技术后台走到聚光灯下的计量单位 Token这个概念在计算机里其实由来已久。编译器做词法分析，早就把文本拆成一个个Token。网络安全里，身份验证令牌也叫Token。这些都是幕后工作，从没人觉得它有什么经济价值。 转折点在2017年，Google发表了那篇著名的论文《Attention Is All You Need》，提出了Transformer架构。这篇论文之后，所有大语言模型处理信息的方式都统一了：输入进来的文字，先被切成Token序列，模型一个个处理，再输出Token序列。Token变成了AI”思考”的基本粒子。 但这时候Token还没有经济属性，只是工程师内部的技术术语。 2022年11月，ChatGPT横空出世。这是个分水岭。 2023年3月，OpenAI推出GPT-3.5的API，第一次采用按Token计费。输入多少Token，输出多少Token，分别定价。那时候GPT-4的价格是每百万input token收30美元，output token收60美元，按今天的标准看，贵得像天价。 从那一刻起，Token从技术单元变成了经济单元。Anthropic跟上，Google跟上，国内百度、阿里、腾讯全跟上，全行业默契地采用了这套计费方式。Token成了AI服务的通用货币单位。 价格这三年掉得惊人。GPT-4刚发布时，每百万input token要30美元。 从2022年底到现在，GPT-3.5级别的模型使用成本从每百万token约20美元跌到了0.07美元，整整降了280倍。照这个速度，a16z记录的数据显示，LLM推理成本每年约下降10倍，堪称摩尔定律的重生。 便宜了有什么后果？后果是用量爆了。 这里有个经济学里的老故事，叫Jevons Paradox。1865年，英国经济学家Jevons发现，蒸汽机效率越高，煤炭消耗反而越多，因为效率降低了门槛，用的人更多了。AI Token正在重演这个故事。企业AI云支出从2024年的115亿美元涨到了2025年的370亿美元，整整翻了三倍，而这期间token单价跌了超过95%。 Google内部的token处理量在十八个月内增长了130倍。 越便宜，用得越多。越用得多，总账单越大。 这背后还有个推手，叫Agent。以前是人在问AI，AI回答，一问一答，token消耗有限。现在Agent出来了，AI在自动跑任务，自己调用自己，一次任务可以消耗几十万甚至上百万token。这不是线性增长，是指数级的爆炸。 2026年3月，黄仁勋在英伟达GTC大会上把”Token”这个词说了超过70次，把数据中心重新定义为”Token生产工厂”，把评价算力的核心指标从FLOPS换成了”每瓦Token数”。同一天，阿里巴巴把通义、千问、MaaS等板块整合，成立了Alibaba TokenHub事业群。Token经济，在2026年正式被主流商业世界承认了。 AI Token的上下游：一条新的产业链 AI Token经济的有意思之处，在于它重塑了整个产业链的逻辑。 上游是能源和芯片。每生产一个Token，都要消耗真实的电力和算力。英伟达的GPU是目前最主要的Token生产设备，黄仁勋把它卖给全世界的数据中心，本质上是在卖”Token生产产能”。能源成本直接影响token成本，这让AI经济和能源经济绑在了一起。 中游是大模型公司。OpenAI、Anthropic、Google、国内的百度、阿里、腾讯，都在这个位置。他们把算力和模型打包，按Token卖给开发者。这一层的竞争极其激烈，价格战打得很惨，但总量在涨，所以大家还活着。 下游是应用层。各种SaaS产品、企业工具、消费者产品，把Token的成本打进自己的定价里，再卖给最终用户。Token成本在企业财务里已经是刚性支出，和房租、人力一起躺在成本表里。 这和传统软件经济的逻辑不一样。以前软件卖出去之后，边际成本趋近于零，用户越多越赚钱。AI服务不是这样，每次用户交互都有真实的Token消耗，规模大了，成本也跟着大。这是一个全新的商业模式，整个行业还在摸索怎么把它算清楚。 加密货币的Token：从一枚Coin开始的故事 要说清楚加密货币的Tokenomics，得从更早的地方讲起。 2008年金融危机，全球对银行体系的信任跌到低谷。这个背景下，一个叫Satoshi Nakamoto的神秘人物发布了Bitcoin的白皮书，2009年Bitcoin网络正式上线。2010年5月22日，程序员Laszlo Hanyecz用一万个BTC换了两个披萨，这是比特币历史上第一笔真实商品交易。这笔交易现在被称为Bitcoin Pizza Day，那一万个BTC今天价值近十亿美元。 Bitcoin是一个Coin，有自己的区块链，规则写在代码里，总量2100万枚，靠挖矿产生，四年减半一次。这是最早的加密货币逻辑：用数学创造稀缺，用共识创造价值。 Coin时代的Token概念很简单：就是一种数字货币，用来存储价值和转账支付。Bitcoin是Coin，Litecoin是Coin，它们都有自己的链，规则各不相同，互不兼容。 然后Ethereum出现了，把整个游戏改了。 Ethereum的核心发明是智能合约。有了智能合约，任何人都可以在Ethereum上发行自己的Token，不需要搭建新的区块链。2015年，开发者Fabian Vogelsteller提出了ERC-20标准，描述了一套技术规范，让所有基于Ethereum发行的Token都能互相兼容，在各种钱包和应用里无缝使用。ERC-20在2017年正式实施。 ERC-20的意义在于，它把发Token的门槛从”搭一条链”降低到了”写一个智能合约”。2017年ICO浪潮中，过了5分钟就能发出一个新Token，中心化交易所上架新Token的时间也从几个月缩短到几天。 这就引发了2017年的ICO大爆炸。 2017年到2018年间，数千个项目进行了Token销售，ICO在2018年前三个月就募集了63亿美元，是2017年全年的118%。项目方写一份白皮书，发出Token，散户拿着ETH来换，钱哗哗地流进来。其中有真正想做事的团队，也有大量的骗局和空气项目。监管机构随后介入，SEC把不少ICO认定为非法证券发行，这场派对才逐渐收场。 但ERC-20打开的大门就再没关上。从那以后，crypto世界的Token不再是简单的数字货币，开始承载更复杂的经济功能。Tokenomics这个词，就是在这个背景下诞生的。 Tokenomics：加密货币世界的经济设计学 Tokenomics这个词，是Token和Economics的合体，研究的是一个加密项目怎么设计自己的Token经济体系。它包括发行总量、分配比例、释放节奏、通胀通缩机制、使用场景、持有激励……本质上是在回答一个问题：凭什么有人要买我的Token，买了之后为什么不卖？ 这些年发展出了几个有代表性的模型。 Governance Token模型是2020年DeFi夏天流行起来的。Compound和Uniswap在2020年普及了Governance Token，持币者拥有对协议方向的投票权，但没有直接的现金流权益。用白话说，就是持Token可以投票，但不能分钱。这个模型一开始很流行，因为绕开了监管对”证券”的定义，但后来大家发现，一个没有经济权益的治理权，价值有多大，很难说清楚。 veToken模型是Curve Finance搞出来的，后来影响了一大批DeFi协议。ve(3,3)模型是Andre Cronje在2021年1月提出的，融合了Curve的Vote Escrow机制和OlympusDAO的(3,3)博弈论。基本逻辑是：把Token锁仓，换成veToken，锁仓时间越长，获得的veToken越多，投票权和协议收益也越大。这个设计试图解决短期投机者砸盘的问题，鼓励长期持有。Curve用这套veCRV模型吸引了大量流动性，成为DeFi里流动性最深的DEX之一。 Deflationary模型是Bitcoin开创的，很多项目跟进。通过限制总量、定期销毁，制造通缩预期，支撑价格。以太坊在EIP-1559之后，每笔交易都会销毁一部分ETH，使得ETH在高使用量时期变成通缩资产。 这些模型各有各的玩法，但有一个共同点：它们的价值都依赖于市场共识。没有人相信，Token就没有价值。这和AI Token完全不同，AI Token的价值是真实算力消耗在背后撑着的。 两个经济体，两条路 说到这里，可以把这两个世界放在一起看了。 AI Token的产业链是垂直的、中心化的。英伟达造芯片，云厂商建数据中心，大模型公司训练模型，应用公司调API，最终用户买服务。每一层都是真实的成本和真实的价值。Token是计量单位，不是资产，用了就没了，没有任何金融属性。整个产业链最终服务的是实体经济，帮企业提升效率，帮开发者造产品。 加密货币的产业链是网络化的、去中心化的。矿工或验证者维护网络安全，协议层发行和管理Token，持有者通过投票参与治理，投机者在二级市场买卖。Token本身是资产，可以转让，可以交易，有金融属性，价格由市场供需决定，和外部实体经济的关联相对间接。 两套经济体，两条独立的价值链，两种完全不同的生态。 当然，有人在尝试把两者融合：用区块链来做去中心化的AI算力网络，把AI服务的计费和分润用Token来结算。Bittensor、Render Network、IO net都在这个方向探索。这是第三条路，但无论走到哪里，它骨子里仍然是加密货币的Tokenomics，只是应用场景叠加在了AI上。 有一件事可以确定：这两个Token，同名不同命。一个在工厂里量产，一个在市场上流通；一个代表消耗，一个代表持有；一个撑着AI产业的运转，一个撑着加密世界的信仰。 名字一样，生意不同。就像那两个都叫刘伟的人，一个卖的是饭，一个卖的是梦。饭是真实的，梦也未必是假的，只是得分清楚你在做哪笔买卖。 #AI# #AIAgent#

DLsite又來發福利啦！ ！ ！ 之前的有獎調研活動，目前回答已經過半噜～大家的XP我已經了解的差不多啦(⁄ ⁄ ⁄ω⁄ ⁄ ⁄)⁄ 現追加一組答應大家的去外套照片～ 希望大家可以多多幫忙填寫問卷🥹完成回答dlsite，也會有好禮相送！ ！ 還沒有參加的小伙伴可以點擊：

一脱鞋我当场愣住了——哎呀那玉足，简直就是行走的滤镜！白白净净的脚面，修长的脚趾，脚底还嫩得一塌糊涂。她自己没意识到，还在那一本正经回答问题，我心里乐呵：你答啥都不重要，美脚已经帮你通过一半了。足拍全程跟着，足控晚上得乐半宿！！

小姑娘一进来挺文静的，结果鞋一脱，我心想：哇塞，这玉足谁顶得住啊？脚趾白白圆圆，脚底嫩得能掐出水来。她还在那一本正经答问题，我只顾着偷看她美脚。足拍全收好，足控们刷到瞬间破防！！

说起被AI干死的公司，不得不提一嘴作业帮和猿辅导，大家还记得前些年这两家铺天盖地的广告主打拍照搜题“黑科技”吗？不会的作业，只需要拍个照上传到APP，就可以很快得到答案，随着AI的发展这两家公司已经被淹没在时代的洪流里了，但是你应该也好奇过，在那些年没有AI人工智能的时代到底是怎么实现拍照搜题的呢？结论就是大力出奇迹，没有智能，全靠人工。 在2018年作业帮创始人侯建彬骄傲的说依托背后百度的资源和超过2万名兼职老师，收录并解答了上亿规模的题目，这些题库是公司最大的护城河。 而猿辅导从2013年开始就通过招聘大学生，并搜集海量的试卷和教材，每答1题就可以得到5块钱的奖金。 根据相关报道，几年前K12赛道爆火的时候，作业帮和猿辅导累计融资数十亿美金中，有将近一半都拿来投入到题库建设中，也就是给大学生和老师发钱答题。 那时候这两家公司都跟军备竞赛一样疯狂搜集题目发钱找人来答，毕竟深信不疑这就是自己最强的护城河。 直到有一天，AI来了....

看一个相亲节目好好笑，女孩子上台说不要彩礼，南京还有一套房，搞得主持人很兴奋，然后台下各种举手。 主持人问小伙子：你觉得今天你幸运嘛。小伙子也很乖，开心地大声答：很幸运！ 现场气氛热烈，女孩子这时腼腆地说，之前犯了一个错误，现在怀了一个三个月大的小宝宝。 双喜临门，直接当爹。

买美股是不是傻子都赚钱? 答：是的哪怕再支付宝买也一样！ 纯傻子确实能赚钱，但有点“聪明”就不一定了。 什么叫纯傻子，我就买标普500或者纳斯达克100，买公司我就买谷歌、苹果、微软、亚马逊、可口可乐，或者阿里巴巴、腾讯。 或者是支付宝上买点主动美股基金，别的我也不认识，我也不想研究。 这么买下来，哪怕你啥也不懂，大概率还真能赚到钱，甚至有可能赚大钱。 因为这些公司的商业模式很好，好的商业模式，哪怕买的时候贵的一点，长期来看也相对容易赚钱。 投资不怕你傻，就怕你聪明。 比如忽然有一天你发现，某只股票，每次发布财报都会下跌，然后之后缓慢涨上来。 你一拍脑袋，为啥我不在财报前卖出，在财报后再买入呢？ 这不就赚到了波动的钱？ 甚至你开始研究起宏观经济，乃至预测未来的科技世界，哪些公司会成为新的龙头，新的苹果和英伟达。 这时候你就要完蛋了。