2023 chatgpt 一问一答 2024 cursor 代码补全，单个代码文件 2025 claude code 编写demo级项目 2026 各类agent 长程任务，编写整个软件 下一代AI，大概是24小时持续主动运行了。 有一套明确 意图 和 运行时约束 和 结果验收标准。

《试衣间里的故事》：故事讲述街边内衣店一看店小哥偶遇一陌生女客人，在试衣服期间和小哥一问一答聊天，因女客人在试衣间里待了很久也不出来，小哥不情愿.

巨头们开始给 AI 账单算总账了，消耗的费用和创造的价值不成正比， Anthropic 的好日子一去不复返，大厂集体开始限制对内部 AI 用量 Meta 在搭一个叫 AI Gateway 的中央网关，实时盯着每个员工烧了多少 Token、花了多少钱，设预算、定上限。Meta 自己预计，光 2026 年内部 AI 使用就要产生数十亿美元的费用。 魔幻的地方在于，几个月前还是另一副嘴脸。 2025 年 11 月，Meta 还在通知员工，要把「AI 驱动的影响力」当成 2026 年的核心考核标准，绩效奖金直接和 AI 使用率挂钩。结果可想而知，员工开始疯狂刷量，搞出了「tokenmaxxing」狂欢，甚至弄了个叫「Claudeonomics」的内部排行榜公开比谁烧得多。排行榜被关停前，员工 30 天内消耗的 Token 总量飙到了 73.7 万亿。 CTO Bosworth 后来出来灭火，说了句很朴素的大实话，烧 Token 不等于有产出。 这句话，是这一整轮 AI 叙事开始转向的信号。 一、从「鼓励烧钱」到「对齐生产力」，三巨头几乎同步 这不是 Meta 一家的事，是大厂集体在同一个时间窗口踩刹车。 - Amazon：关停了员工自己搞的 Token 排行榜「KiroRank」，明确说量 Token 是为了搞清楚成本和效率，但别拿这个当衡量开发者生产力的指标 - Microsoft：直接把开发者的 Claude Code license 给撤了，此前才刚开放没几个月 - Meta：搭网关、设配额，还在推员工逐步停用 Claude 这类第三方编程工具，转向自研的 MetaCode 最早的新闻是 Uber 全年的 AI 编程预算，到 4 月就烧光了。ServiceNow 开始对员工搞日用量监测。部分 VC 机构也开始给内部 AI Token 用量设日均消费上限。 口径出奇地一致：以前是「快用，多用，刷 KPI」，现在是「成本对齐生产力」。 说白了，蜜月期结束了，开始算账了。 二、为什么是现在？因为 Agentic AI 把账单捅穿了 以前你用 AI 就是一问一答，Token 消耗有限。现在 Agentic AI 一跑起来，一个任务自己拆解、自己调用、自己多轮迭代，消耗的 Token 是普通用法的几十倍，极端情况据测算能到 1000 倍。 高盛的预测是，到 2030 年 agentic AI 会带动 Token 消耗增长 24 倍。 员工越用越上头，账单越滚越大，但产出并没有跟着同比例涨。 错配就出在这。投入是指数级的，产出是线性的。 三、谁在为这场狂欢买单？账单的另一头是 Anthropic 这才是关键。 大厂烧的这数十亿美元 Token 费用，一大块是付给上游模型商的。而当下企业级编程场景里，Claude 是绝对主力。换句话说，企业「无节制烧 Token」的这几个月，恰好就是 Anthropic 收入曲线最陡的几个月。 我们看一眼 Anthropic 这条曲线有多夸张： - 2024 年 12 月：年化收入 ~10 亿美元 - 2025 年底：~90 亿美元 - 2026 年 2 月：~140 亿美元 - 2026 年 2 月底：~190 亿美元 - 2026 年 4 月：~300 亿美元 - 2026 年 5 月：突破 ~470 亿美元 5 月底刚完成 Series H 融资，募了 650 亿美元，投后估值 ~9 650 亿美元。 一年多时间，年化收入翻了快 47 倍。这个增速，放在整个商业史里都属于离谱的那一档。 但问题恰恰是：这条曲线的燃料是什么？ 很大一部分，是企业端「先用了再说」的冲动型消耗，是 tokenmaxxing 排行榜、是绩效挂钩刷出来的量、是 agentic AI 还没被套上配额之前的野蛮放量。这部分需求，质量是存疑的，它不完全是真实生产力驱动的，而是被 KPI 和热情吹起来的。 现在大厂开始设上限、撤 license、推自研替代，等于是从需求侧主动把水分挤出去。 四、所以呢？我的判断 我的看法是，Anthropic 今年的年化收入，很可能正在逼近一个阶段性大顶。 第一，存量大客户在主动压缩用量。Microsoft 撤 Claude Code、Meta 推 MetaCode 替代、Amazon 和一堆公司设配额，这些都是直接砍向 Anthropic 收入盘子的动作。最肥的那批企业客户，正在从「敞开用」转向「省着用」。 第二，被挤掉的是「虚胖」的那部分收入。run-rate 这个指标本身就敏感，它是拿某个时点的收入去年化推算的。当这个时点恰好踩在 tokenmaxxing 的高峰上，年化数字会被显著放大。一旦配额落地，环比就会露出真实水位。 第三，新增长能不能补上缺口，是个悬念。要维持这条曲线不掉头，Anthropic 就得靠新场景、新客户来填上企业端挤出来的水分。能不能补上、补多少、多快补，目前没有定论。 我不是说 Anthropic 不行了，它依然是这一轮最强的玩家之一，基本盘很硬。但「年化收入一路狂飙」这件事，今年大概率会遇到第一个真正的阻力位。从 470 亿往上，每一档都会比之前难走。 说到底，AI 这门生意终于走到了要算 ROI 的阶段。 烧 Token 的狂欢退潮，对企业是好事，成本回归理性；对上游模型商是考验，靠冲动消耗撑起来的增长，得换成靠真实生产力撑起来的增长。 至于今年的年化收入峰值，我倾向于不会超过 470 亿美金这个数字，因为另一边 codex 追上的也很快。

我一直在思考一件事： 回看每一次时代机遇，浪潮明明就在眼前，大多数人却看不见。 我们正把AI这桶火药，做成短暂的烟花。 国内超55%AI算力消耗在短剧、短视频这类娱乐内容，追求短期流量； 而美国58%算力投入研发、编程、企业自动化，在打造产业引擎。 Token本质就是算力，算力是AI时代的石油。 石油，可以做烟花，也可以驱动引擎。 我不是否定娱乐赛道，它能赚快钱。 但如果所有人扎堆在这里，会错过技术革命真正的红利。 长期机会，在于AI落地，核心是AI Agent智能体。 普通大模型被动一问一答；Agent能自主思考、规划、调用工具，自动跑通业务，重塑生产力。 同样的AI，两条路： 追逐转瞬即逝的流量烟花，或是深耕生产力、建立长期壁垒。 风口一直都在，但红利只属于少数看懂底层、能落地的人。

同时开着三四个 Claude Code 和 Codex 的终端窗口，这个在写功能那个在改 Bug，切来切去最后自己都忘了谁在干什么。 openrig 想把这堆零散的终端会话变成一支固定的 Agent 团队，用一个配置文件写好角色分工，一条命令就能拉起来。 Claude Code 和 Codex 能编进同一个团队，我们只跟负责人 Agent 说想要什么结果，它去协调各个成员干活，需要拍板的事再找我们。 入门模板是两个 Agent 搭档，一个负责写，一个负责审。终端面板里每个成员用什么模型、上下文用了多少、当前状态都看得到。 GitHub： 直接复用已经登录的 Claude Code 或 Codex 账号，不用再开第二份订阅。需要 tmux，目前支持 macOS 和 Linux。 作者说这是自己做「AI 文明」实验背后的系统，这个说法挺有意思。想让 AI 不只是一问一答，而是像团队一样长期分工干活的，可以试试。

转自wb 最近看了一期很有意思的访谈，嘉宾叫 Neil，前英伟达工程师，现在自己创办了一家叫 Sal Research 的公司。这家公司做的事情说白了就是一个“token 工厂”，专门给别人提供最便宜的 AI 推理服务。他的原话是：我的工作就是把 token 的价格压到人类能做到的极限。 他有一个很核心的判断：当一样东西的成本降低 10 倍，它就会变成一个全新的产品品类。就像手机流量从几块钱一兆变成几乎不要钱之后，短视频才成为可能。AI 也是一样的道理。 Neil 认为 AI 的未来不是你坐在电脑前跟聊天机器人一问一答，而是大量的 Agent 在后台默默运行几个小时甚至几天。你晚上睡觉，早上醒来，活儿已经干完了。最好的延迟就是零延迟，你根本不需要等。 这个判断直接影响了他的技术路线。GPU 本质上是一台吞吐量机器，你给它塞满任务它最开心。但过去几年，因为大家都在做聊天机器人，所有人都在拼“谁能更快吐出下一个字”，这其实是在用一种很低效的方式使用 GPU。Neil 说，既然我的客户是后台跑的 Agent，我根本不需要追求极致的速度，我只需要追求极致的便宜。 于是他搞了一套“拾荒者策略”。别人抢着买英伟达最新最贵的芯片，他不跟着抢。他去找那些别人看不上的芯片，AMD 的、谷歌 TPU、亚马逊自研芯片，什么都行，只要每瓦特算力的性价比够高，他就买。他甚至愿意接受只有 95% 可用性的数据中心，别人觉得这简直不可接受，他说没关系，我的 Agent 在后台跑着呢，偶尔断一下，把任务挪到别的机器上就行了，客户根本感知不到。 更狠的是，他在考虑用太阳能和风能来供电。这种间歇性能源一直被认为不适合数据中心，因为云一来就没电了。但他说，我可以预测天气，提前把负载转移到别的地方，哪怕一个数据中心停了几天我也无所谓。这样他就能拿到别人根本不会碰的廉价电力。 他还聊到一个很有意思的数字：按照现在 OpenAI 的定价，消耗一万亿个 token 大概要花 500 万美元。他的目标是把这个数字压到 5000 美元。三到六个数量级的成本下降。到那个时候，你可以让 AI 不计成本地去研究任何一个科学问题，去审计每一行代码的安全漏洞，去实时监控整个互联网的变化。 关于 AI 行业的大格局，他觉得开源模型和闭源模型会长期共存。闭源模型花巨资保持领先三到六个月，但蒸馏这件事根本挡不住，因为人们用 AI 生成的代码和文章已经遍布互联网了，这本身就是一种“隐性蒸馏”。开源永远不会消失，因为做开源的激励太强了。 最后他说了一句让我印象很深的话：我们现在还是把 AI 当成一个很贵的顾问，有难题才去问它。这种思维方式要变了。机器能思考这件事本身就很了不起，我们应该想办法让尽可能多的人用上它。

这张 a16z 图（数据来自 OpenRouter）说明了：在 API/Agent 路由流量里，人类已不再是 token 消耗主力。 Agent 目前大约消耗人类近 5 倍 token，且自 2026 年 2 月起大约增长了 14 倍。 原因是工作模式不同：多步规划、工具调用、反复读写上下文；其中缓存 token 占 agentic token 的绝大部分（a16z 称超过 85%）。人类偏一问一答，Agent 偏持续迭代。 这不代表消费级 AI 产品里人类已经退居次席，也不等于 Agent 已经全面成为基础设施。 它说明的是：增量需求越来越多来自自主运行的 Agent，不单纯来自于聊天。 成本结构会被改写： token 量上升，但缓存更便宜； 真正吃到增量的，大概率是把 Agent 循环做高效、并能提供便宜稳定推理和工具的那些。 对加密而言，这是潜在机会，甚至是结构性机会。 Agent 要真正自主，就需要自己支付算力、数据和工具，不能每次靠人开 API key 或刷卡。 x402 提供了一种链上小额支付方式；低费率 L2（如Base等L2）更适合这类支付；以太坊则在探索身份/声誉/验证标准（如 ERC-8004）。

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。