LLM强调的是单个任务的解决能力；而Personal Agent强调的是以人为本的连续性任务的“编排”价值。 Personal Agent产品的编排能力越强，它的护城河越高，用户越难迁移。它可能在某一个细分领域的任务能力并不是最优，但整体的任务连续性执行上，它需要是最强的。 首先，它需要有“高打开率”的场景的丝滑体验。这是必须要守住的根据地。如果一个Personal Agent切的核心场景较为低频，那么它很难成为用户的首选，也就失去了入口价值，用户也很难用它的“编排”服务。 这也是为什么我认为，虽然Muse的产品交互体验好，但定位走偏了的原因。 Personal agent的下一步竞争是场景层，像O2O大战一样的场景圈地运动，这个过程中会产生一些并购。 AI不会吞噬一切软件，有客户关系沉淀和价值数据沉淀的行业软件反而会成为并购标的，成为agent的履约层。而龙头的履约层可以和不同的agent合作。 另一方面，开放memory layer给特定许可的B端客户和开发者，成为XXX Inside，在任务履约层上做到更加丝滑。 对创业团队来说，面向开发者的记忆诊断、客服跨系统的记忆层、跨境电商的运营记忆、垂类合规行业的记忆层，把客户记忆养成资产，或许更容易成功。

LLM 之所以被稱為 generative model 就是在於它只會做「加法」無限量生成內容將用戶淹死在文字海裏 👈 這時唯有靠人類發揮足夠的智慧與意志力去把關叫它做「減法」才是增加成功機率~ ( #agentflow# 就是在幫你做這件事 🙌

LLM 推理、工具执行、上下文记忆，三件都是往前走的部件，没有一件管在哪儿多跑一圈、在哪儿收手。 智能体的毛病往往是把力气用反了：最该反复打磨的地方一遍过，早该收手的地方一圈圈空跑，Token 全烧在那里。

LLM workflow从出来的第一天，我就说，这玩意儿给企业用绝对必死无疑，跟low code和no code一样，属于民办三本文科宝妈的意淫幻想。 典型就是，设置一个自以为挺有用的场景，一堆人跟个大傻逼似的，忙活设计，玩连连看，反复测试，跟个胡闹厨房一样， 做完美滋滋地跟团队炫耀，大面积推广， 用了一周之后发现，哎，缺少了功能ABCDEFG，其中ABCD和EFG还矛盾，如果要完善LLM workflow的这些缺失功能，那就要完完全全重新写一套。 这时候这些民办三本文科宝妈的脑子直接烧了，因为要满足接下来层出不断需求，就要每周时时刻刻重写，而这对于他们人均边牧一样的产品设计和coding能力，是绝对做不到的。 这些人连python写一个从1加到100都费劲，让他们持续维护一个不断推翻、不断重新设计、不断连连看的LLM workflow，比让他们学会正确写一个feature requirement document还难。 于是整个团队出现了五六个LLM workflow之后，彻底失去维护能力，持续烂尾，又回到了人肉办公处理的时代。

LLM 几乎可以重构所有 App 业务的今天，真的有一种回到十几年前移动互联网刚爆发时的感觉。每天都在灵感井喷：这个东西可以重做一遍，那个产品也可以重新做一遍，过去很多因为成本太高做不了的东西，现在一个人加几个 Agent 就能开干。但和十几年前最大的区别是——那时候创业者面对的还是一片相对蛮荒的新大陆。现在你旁边站着一群大厂。他们有用户、有流量、有数据、有渠道，还有成熟到可怕的中台和弹药库。你今天灵光一闪想到的功能，他们可能明天就能塞进现有产品里。所以这一轮 AI 创业最刺激的地方，不只是机会多。而是机会和威胁，几乎同时到达。

LLM 这块真的有什么硬性的护城河吗，开源社区已经把各种大模型，基础设施都端上来了，openai 和 anthropic 的领先地位到底还能持续多久？又或者以后是否还有必要为那一点智能支付高昂的溢价？目前的感觉是，谁有卡谁就是大爷，这么看马斯克布局数据中心确实是一手好棋

LLM 每一轮迭代，都会让一批创业者丢掉生意。今天跟一位朋友聊，他说模型越强，他却越兴奋。 他是做硬件集成解决方案的，前十年在工厂摸爬滚打，2023 年 AI 爆发后开始跟着 waytoagi 社区沉浸式学习，将 AI 能力转换成生产力，然后将经验复制到工厂生产场景，写 prompt，建 workflow，也捏 agent，认识了很多工厂老板。 两年下来，最大的感受是，再好用的提示词和工作流，都会随着大模型能力的提升成为历史的遗迹。这也一度让他产生焦虑。 今年年初，他把投入的方向做了一些调整。Coding agent 的能力跃迁，让 AI 可以做好大量繁琐工作的拆解了，例如可以把工厂的需求拆解成更具体的电路问题和软件设计问题，将复杂的电路集成问题拆解成可单元化合成的简单问题。凭借着对硬件领域的认知和人脉关系，他开始从咨询顾问转型为硬件集成方，除了做方案供给，也把软硬件实现环节给承接了下来。 在能力打磨阶段，一方面承接市场各类个性化定制需求，一对一客服，另一方面线下跑工厂，帮助工厂完成 AI 转型和升级。过程中，把对 AI 的理解附加到硬件产品上，又把对硬件的理解融入到AI 的交互体验中，逐步积累了深厚的技术壁垒和认知壁垒。 过去半年，他几乎每天只睡四个小时。为了解决某个硬件集成或设计问题，会去了解每个元件的工作原理，做好参数调试，以及供应商对比，在实战中沉淀和优化了丰富的元件知识库，也与大量硬件供应商建立信任关系，很快就逐渐形成了自己的集成方案优势、价格优势和服务体验优势。 他说这些都是脏活苦活累活，很多人不愿意下场，愿意下场的人又不懂 AI，也就没办法将沉淀的知识转换成有效生产力。 在做生意方面，也是务实的风格。遇到了好的硬件想法和创意，他并没有直接下场实现，而是把利润让给合适工厂，跟工厂一起打磨更顺畅的合作模式，同时也为自己建设更全面的硬件调试能力，以此来构建更持久、更健康的生态合作环境。 跟这个朋友的沟通，让我感受到，1）无论是数字时代还是智能时代，都需要下苦功夫，没有捷径可走；2）行业 know-how 就是最强护城河，充分发挥自己的领域优势，结合 AI 把人解决起来最难、最痛苦的问题搞定，前面就是曙光；3）做生意，三分利七分情，生态好了，自己才会更好。