我在X上谈到过很多次，agent native应用当前很难赚钱，ARR背后都是高昂营销费推起来的，硅谷把ARR指标放在最高权重来研判公司融资会害到很多硅谷迷信者，包括那些迷信硅谷的VC。

Layer 1 公链 Pharos Network 在韩国区块链周宣布品牌焕新及 Agent Native 升级，整合测试网已上线的赞助交易、支持自然语言 RealFi 交互的 Pharos Port Agent Widget、AI 门户 ai pharos xyz 及更新后的技术路线图。根据路线图，Pharos 计划于 2026 年第四季度推出 PoS 质押并测试 Gas 赞助计划，2027 年逐步部署 Agent 账户、Agent 交易接口及 State Economy，2028 年支持端到端 Agent Native 工作流。

最近看了一篇 career advice 的长文。作者是一家 fully agent-native 公司的 founder，之前在 Scale、OpenAI、Google 都待过。 之前也跟一些行业内的研究员聊到过一个问题：如果你有小孩，在 AI 时代准备怎么教育他？确实啊，AI 把活都干得七七八八了，该让孩子学什么、卷什么？ 借着这篇，聊聊我们自己的看法/建议。 1、把注意力放在真正稀缺的资源上 那篇长文里有个细节，我觉得很真实。作者当年手里有量化的 offer，保底现金高不少，但他选了 Scale AI，因为喜欢那里的社区，也想接触不同的产品和应用。后来正是通过 Scale，他认识了做 LLM inference 的那批人，才有了 DeepMind 和 OpenAI 的机会。当年的同事，现在也成了一圈 Scale 系 founder。 回头看，这些人脉和学习机会带给他的东西，远超 quant 多给的那点现金。 他的观念是：现在拿钱比任何时候都容易。vibe-coding 时代，找个快速赚一笔的机会不难。但真正稀缺的，是别人真实的时间，是牢固的人际关系，是你做成过事之后积累的声誉。 我周围也有些朋友，之前不在 AI 圈，但这两年一头扎进来，逐渐走到更核心的位置。他们放弃了安稳打工的收入，选择在 AI 圈摸爬滚打。要的就是这些稀缺资源。 2、学会找题 AI 最先替代的，是定义清楚、可以评分的任务。学校过去训练的大多也是这种能力：题目已经有人出好了，你负责把答案做对。 但 agent 越来越强之后，真正拉开差距的会是：你能不能发现一个值得解决的问题，能不能判断该把多少时间、token 和资源投进去。 答案越来越便宜，好问题越来越贵。 所以如果问 AI 时代该怎么教育小孩，我觉得至少要让他长期待在真实的问题里。自己做项目也好，研究一个没人布置的题目也好。找题的能力不是上课教出来的，是在一次次选错、做砸和重来里长出来的。 3、用 bitter lesson 选公司 Rich Sutton 那篇 bitter lesson 说的是：通用方法加 scaling，最终会赢过任务特化的优化。这条规则拿来选问题、选公司，同样适用。 公司和职业的回报从来都是幂律分布，AI 只是把走到结果的速度加快了。现在写软件门槛这么低，谁都能搭个简单系统，真正持久的价值只会来自对足够有野心的问题的极致专注。 选公司就问两件事：它做的是不是这个问题最有野心的形态？它有没有真的解掉的可能？ 选岗位就问一件事：这个位置能不能让你直接在公司要解决的那个问题的最前沿干活？ （当然，上述说的是最理想的版本。如果暂时进不了最核心的位置，也看这个岗位能不能让你逐渐靠近核心问题） 4、最后一英里，用冲刺跑 红杉的 Alfred Lin 写过，最后 10% 是 90% 的工作量，也是 90% 的回报。 AI 把结果两极化了，因为中位数水平就是一个 agent 拿着随手写的 prompt 能吐出来的东西。价值只能来自你对某一小片问题的独特视角，或者对细节的执着。 最后一英里靠迭代。而且 coding agent 进步太快，经常更好的做法，是带着上一轮的教训，直接用下一代模型从头再来。 5、xG 和射门效率 足球里 xG（预期进球），衡量一支球队按机会质量算应该进几个球；效率，则是把机会真正转化成进球的比率。 职业生涯很长，不是每个高 xG 的机会都必须抓住。但你得先让自己站在能看见这些机会的位置。 不过人生到某个阶段是要进球的，不能光看见机会，临门一脚的效率也重要。他复盘自己的职业选择时说，大部分决定都做对了，但后悔没有在做决定前，多花一点时间收集信息。 6、researcher 是心态，不是职业 说实话，现在做 research 的门槛前所未有地低。你不需要先进入前沿实验室，才能开始做研究。先大量使用模型，再把直觉沉淀成 evaluation。 前沿实验室里研究员的日常，无非是好奇心驱动着探索新想法，跟 infra 搏斗着把想法实现，把整个系统理解到足够细以便高效 debug、再把结果的价值讲清楚，去换更多算力。 这些事，你不在前沿实验室也全都能做。 所以我越来越觉得，researcher 是一种心态，不是一种职业。这是我整篇文章最想送给大家的一句话。 世界仍然充满机会。解锁的钥匙就是找到有意思的问题，然后交付超出预期的结果。就这么简单，也就这么难。

为了拿融资要证明ARR增速，感觉好像和dau没关，其实关系太大了，因为现在agent native应用的留存都很差…. 所以不要怪人家烧钱获取dau，因为没有新增就没ARR

组织是分组 + 交织。分组是专业分工，交织是跨组协作。组织就是分工协作。 Agent 让分工发生了很大变化。每个人借助 AI 都有机会单独成组。大量非常细化的分组，正在快速消失。比如前后端的分工，比如产品和设计的分工。大量中层必将消失。没必要了。 Agent 让协作也在发生变化。分组变化后，有些组长直接就是 Agent，这意味着，为了最大化发挥 Agent 的能力，一切有 Agent 节点的地方，协同机制都要围绕 Agent 重新设计。比如 Context 的记录变得无比关键，异步协作会更加合适，目标的设定也会变得更需谨慎 + 同时可以不断大胆调整。围绕 Agent 重新设置协同机制，就是大家说的 agent-native 组织。 最大的阻力有二。 阻力一是分工利益。甚至涉及社会稳定性，越小的公司，涉及面越小。创业公司有机会走得更快。 阻力二是协作惯性。这个特别大。而且不分公司大小，跟创始团队最相关。一个大公司，如果创始人是一个激进的喜欢颠覆旧习惯的人，那么大公司拥抱 AI 也能很快。要特别小心的是创业公司。如果创始人非常强势又老套，那么协同惯性会非常大。见过好几个创业公司，比大厂还登。 组织就是分工协作。围绕 Agent 重新设计分工协作，对创业者而言，最大的阻力是惯性。看见惯性、改变惯性，特别特别难。 难。于是。特别特别。有意思。

AI最大的两个基础方向就是coding和video generator Coding造就了Anthopic video generator目前领跑的是字节、快手、Google 现在越来越证明，agent native和skill会慢慢的被模型能力吃掉，薄薄一层毫无机会并且留存都差得可怜 留给创业者的机会就只能是围绕垂类用户、客户的业务交付做重（为什么一些saas公司加了AI之后财报表现增长不错？因为业务交付做的重、客户生态本身也有厚度）； 或者某个天才创造了全新的GUI交互培养了新的习惯

一个疑惑：OPC（一人公司）和 OPT（一人团队）为啥要用钉钉或飞书呢。 适合 OPC 的 agent-native 的 IM 究竟会是什么。海外有很多可能性。国内有无新机会。