去年做 Agent 的，今年可能要死一大片。 Qwen3.8-27B 来了。从 DeepSeek Flash/Pro 到 GLM，再到这一轮，它仅靠后训练，就在 SWE-bench Pro 上硬生生干翻了 Opus 4.6，参数更小、跑得更快、还开源。 开源社区里，为了提速Qwen3.8-27B大家各显神通，最常见的是用梁文锋 6 月最新论文的 dspark。 dspark 是一种投机头，通过动态稀疏化策略，在模型空时多计算草稿，忙时少计算草稿，大幅提升推理性能，特别适合 dense 模型。 梁文锋的第一性原理还是那三个字： 开源、开源、还是TM 的开源。 ⚠️ Agent 创业者应该关心： 如果模型越来越强、越来越便宜，连 Harness 都开始开源，你去年辛辛苦苦做出来的 Agent，到底还有多少东西是底模抄不走的？ 我思前想后，不可能是再做个模型，也不会是 workflow，不是 tools。 唯一的机会，应该在 context runtime，在那个 1M context 解决不了的地方。 这也是我最近越来越关注 OpenContext 的原因，这是 @AlloomiAI 做 context runtime 的开源项目。 🔥 过去一年，大量 Agent 创业公司卷的是： 更强的模型。 更复杂的 workflow。 更多 tools。 更好的 RAG。 更漂亮的 UI。 问题是，这些东西正在以极快的速度变成公共能力。 DeepSeek Harness，就是一个很现实的例子。 你花半年调出来的 workflow，别人明天可能直接从开源项目里拿。 你花大量成本做出来的模型能力，下一个基础模型升级，可能直接白送。 你今天引以为傲的 tool calling、browser use、coding、research， 半年后可能只是模型默认能力。 模型升级一次，所有 Agent 公司一起升级一次。 Harness 开源一次，所有 Agent 公司连底盘都一起升级一次。 🧱 所以 Agent 的护城河只能不断往后移： 模型 → workflow → tools → data → context OpenContext 想做的，就是 Agent 下面这一层 context runtime。 Agent 每完成一次真实工作，都能把真正有价值的东西留下来： 客户喜欢怎么做； 哪些判断后来被推翻； 哪个方案客户明确否掉过； 什么结果最终被接受。 这些才是真正的 context asset。 🧠 甚至 1M context 都解决不了这个问题。 “能把过去全部读一遍” ≠ “知道现在什么仍然有效”。 但我后来发现，context 其实还只是这件事的 1/3。