服务裹着能力，而不是能力裹着服务：一场 93 分钟 AI 对谈的笔记

来源是易论AI 2026-09-01 的《AI最前沿的人，已经不聊模型了》，93 分钟，嘉宾是继刚、歸藏、橘子。

先说材料的可靠性：视频没有官方文字稿，我拉的是 B 站的 AI 自动字幕。这份字幕对人名和产品名的转写错得相当离谱——FDE 被写成「FT1 / FD1」，Palantir 被写成「PONTIER / PUNTEER」，零一万物被写成「灵异万物」，DeepSeek 有五六种写法，harness 被写成「哈尼斯 / honeys」，SaaS 被写成「SARS」，贾樟柯被写成「章柯」。下面的人名和术语我按上下文还原过，个别实在拿不准的（比如嘉宾自家产品的准确写法）我做了模糊处理。引号里的话是转写后的语义还原，不是逐字原话。

主线：竞争已经从「产品功能」移到「服务」

开场就是全片最硬的一句（2:08）：服务裹着能力，而不是能力裹着服务。

论证链条是这样的：同一个 agent 产品交付给一家公司，账号买了、token 买了，最后结果差异极大——因为它不像飞书、企业微信那样「装上就会用」，用得好不好完全因人而异。模型能力和企业业务之间存在一个落差，填这个落差的东西就叫 FDE（Forward Deployed Engineer）。

所以做产品的公司得改一个观念：交付产品不等于交付结果。

关于国内所谓 FDE 的成色（9:15），继刚的判断很直接：现在很多打着 FDE 旗号的其实是外包——你有需求，我带团队进来开发，做完就走，那个落差还在原地，人还是原来那批人，用起来还是参差不齐。真正的 FDE 是把落差填平之后把自己抽离掉，客户还能自己转。

他引零一万物马杰的实践作对照（12:24）：对标 Palantir，先做培训，培训过程直接带着产品在用，转化率约 75%；培训完再派 FDE 驻场，FDE 很多持股，不背销售指标，唯一指标是「离开后客户还能带着你的脑子运转」。毛利很高，复购很多。

配套三个结论：

只需要搞定 5%（10:17）。不要指望全员都会用 AI，认知差填不平。可行路径是让用得最好的那 5% 跑出最佳实践，再把它封装成「一键」给剩下的人用——就像以前用 SaaS，员工根本不理解那个流程，他的任务就是把那几个按钮点完，AI 的下一步不过是让他少点几个按钮。三条路并列：5% 自涌现、培训、FDE 驻场。
越土的行业越吃香（14:05）。这条反直觉：不要去内容、影视这些行业，那里的人用得比你还好，链条短、反馈快、飞轮自己就转起来了；零一万物、Palantir 都挑传统行业（举的例子是养鸡）。越传统越容易出效果，越容易让甲方为价值付费。
入口先靠一个「咒语」（6:30）。抢外卖券、整理桌面这类一句话就能复制的场景，本质是最佳实践的封装，作用是教会用户 agent 到底能干什么。它是漏斗的顶端，不是终点——真往深水区走，服务还是得进去。

变现之难不在 AI，在 AI 碰到的现实

歸藏这半年从「做内容」转向「用内容带产品」，但卡在商业化（16:16）。真正的阻力是和现实耦合最深的那部分：渠道、支付、财务、资质。

有一段听着好笑但很真实（18:29）：签合同盖了 80 张章、8 份合同 120 张纸，没有一次是对的，一天就干这个。给一个开源 skill 打款花了两个月。某大厂「入库」流程走了整整一年，入完库项目都不存在了（25:06）。

由此推出一个我认为很值钱的结论：制度的齿轮和技术的齿轮转速不匹配，服务就是填这个速度差的东西，所以代理和服务公司不会消失。

同一个模型也解释了为什么 AI 在 coding 上跑得最快——除了强化学习，更重要的是 coding 不依赖分发、支付、政府关系、合规，做完产品就完了。这一条能推出很多东西：凡是任务的价值链末端不碰这些的，AI 的渗透就快；一碰上，速度立刻掉一个数量级。（顺带，他们对 Stripe 和 Airwallex 的评价是「把后链路自动化做到了极致」。）

卖 skill 给个人用户是个伪生意

橘子给了三条理由（21:14）：

用 skill 本身就在烧 token，你再对 skill 收费，用户连试用都试不起。
skill 不保密——下载下来就是开源的，架构上就没有收费的位置。
别人的 skill 再厉害，也进不了你的工作流。 skill 更像一个模板，看一眼知道能干嘛，真要用还得自己定制一个。他们把这件事叫个人的 FDE 化（23:58）。

我认为第三条是这一段真正的重点，也是最容易被"skill 市场"这个概念盖过去的一条。它把 skill 的商业形态推向另一侧：agent 厂商需要优质 skill 让用户快速感知产品价值，而用户会把功劳归给产品而不是 skill 作者——那么厂商该做的是笼络顶尖创作者，通过一次性买断、授权或赞助合作（24:32），而不是指望作者向个人用户收费。

基建跟不上：GitHub、git，和「发不出去」的东西

一个我觉得最有意思的观察（28:17）：会用 AI 写代码的人已经远比想象的多，但他们做出来的东西发不出去。

旧的互联网 2.0 基建高度封闭——发内容可以，发产品不行，各平台都是防御形态，核心驱动力是「你最好别在我这发产品、别抢我的用户」。于是抖音上有人把 AI 生成的网页链接发给别人，链接是 127.0.0.1。小红书的小工具和 red skill 被认为是个不错的口子：维持封闭，但开了一个渠道。

GitHub 那段（30:00）：GitHub 是「人与人协作」这套范式的基石，但 AI 一次提交三五万行、一次改三五十个文件，人根本审不过来——等你理解完这一轮，下一轮又堆上来了。所以会出现一个基于 AI 提交的新范式的代码托管平台（他们提到 Cursor 新推出的东西作为苗头）。微软最重要的翻盘点就是 GitHub，但历史包袱让它不敢重做那条 20 年的流程。

同时 git 本身被高度肯定（32:07）：git 是人与 agent、agent 与 agent 协作的天然纽带——协议完善、不需要上下文、所有 AI 都懂。你装任何一个 agent，什么都可以不装，但不能不装 git。他们自己的实践是：用户反馈进后台、自动开 issue、派 agent 扫 issue 改代码、发 release，全程用 git 中转。

agent + X 还是 X + agent

这是继刚最近在琢磨的命题（35:27），本质是「以谁为中心」：

agent + X：所有功能装进 agent。要给同事发消息，就在对话里说一句，从不打开那个 IM；要写文档，就在对话里说一句，从不打开 Word。
X + agent：老互联网公司在自己产品里塞一个对话框。微信的小微是典型。有基本盘的公司必然选这条——不可能放弃自己的立身之本。

继刚的判断是 agent + X 后劲更足。橘子补充了 X + agent 的三重困境（38:42）：形态别扭且割裂，是硬插进旧结构的；老产品的商业模式是免费加广告，cover 不住每个 token 都是成本的账；旧组织结构和旧基建也接不住。

但这里有一条重要的修正（40:56）：只有 chat 是不行的。 人的记忆力撑不住——我订了票，明天就忘了，我需要看到那个界面才能想起来；我的笔记库有上千个文件，我得看到它才知道自己要干嘛。所以未来每个软件都会做一个「待办 / 仓库」式的 dashboard，把 chat 里的事项、遗留的工作呈现出来。它不是老的那套 UI，而是一个动态生成的 UI。

我觉得这条比「谁是入口」那个命题本身更有用：它说明 chat 优先不等于 chat 唯一，目录和状态视图是人的认知刚需，不是旧范式的遗留物。

下一张社交网络，一半节点不是人

继刚的推演（43:13）：过去微信那张「人对人」的网无敌，但如果每个人都有自己的 agent，就多出 Human-to-Agent 和 Agent-to-Agent 两条路径，那么会不会出现一张新网，节点一半是人一半是 agent？

场景是：我跟我的 agent 说一句「提醒橘子明天聊个事」，我的 agent 去找他的 agent 约时间，他在自己的 dashboard 里看到——这段对话已经脱离了原来的人际交流网。

橘子泼了冷水（45:28），而且泼得有说服力：他们在自己产品里真试过让两个 agent 对聊，用户学不会也没人用。太抽象——「我的两个 agent 在聊天」这件事我看不见，哪怕给个 dashboard 也还是抽象。C 端用户能接受的心智极其简单：从 QQ 到手机上的聊天界面，就这么迁移过来的，你让他再加一层，他理解不了。而且新建一张网意味着丢掉旧 IM 里全部上下文。

还有一个很微妙的心理事实（46:35）：人对自己 AI 的输出接受度很高，对别人 AI 的输出接受度很低。 所以中间还要经过一次「翻译」——别人的 AI 写的东西，得由我的 AI 转述给我。

同一套逻辑也用来否定「agent 帮你匹配 soulmate」这个流行概念（61:14）：它有两个前提，第一个（agent 足够懂你）在快速变好，第二个（全球 agent 互联的那张网）根本还不存在。何况很多人连自己的上下文在哪都不知道，而且你自己都不知道自己真正的偏好是什么——歸藏举的例子是他和太太喜欢的电影完全不一样，那 agent 拿什么标准判断两个人合不合适。

被打脸的认知，和模型价格的两条分岔线

半年来最大的意外（33:48）：coding 能力没有一路高歌猛进。 原因被归为顶尖模型的发布显著变慢（其中有监管因素在），进步反而集中在小模型降本上——现在很多人用得起相当好的 coding 模型了。

价格那段（82:04）是全片信息密度最高的部分之一：

半年前和一位英伟达的朋友赌「模型会更贵还是更便宜」，赌注 100 块。DeepSeek 疯狂降价时他输了；最近 DeepSeek 涨价 12 倍，那 100 块又还回来了。
结论是两条线分岔：SOTA 模型的价格持平甚至上涨，而且永远只有一个；主流模型的价格像指数一样往下掉，且已经降到中转站没有利润、逼近服务成本的地步——再降就没有任何空间了。
主流模型已经能满足 90% 的人的需求，但基准分上 5 到 10 分的差距，价格差可能是 50 到 100 倍。只看基准会觉得完全不值；真用起来会觉得值。他举的例子是写作：便宜模型写完一看「这写的啥」，换贵的重写一遍，质量立刻上来。
缓存经济学：无缓存的价格是有缓存的 10 到 100 倍，命中率从 90% 到 95% 成本能差两倍。所以厂商现在是靠 harness 优化提高缓存命中率来形成 API 价格优势、拴住用户。代价是——他们认为某个 coding 产品最近变拉胯，就是因为把降本和缓存做得过于极端了。

关于 harness 与模型的关系（86:27），有一个漂亮的推论：如果 harness 和模型解耦、切换模型零成本，就会出现红皇后效应——你只有拼命奔跑才能停在原地，用户随时秒切，落后就是死。所以厂商理性上应该联合训练、把 harness 和模型绑死，你要切效果就变差。

但实测下来这件事没有发生：新模型刚出时确实只在自家 harness 里表现好，后训练之后（数据一定会回流）差异很快抹平，切换基本无痛感。「只是个时间差」——这句我认为是这一段最该带走的判断，它意味着现在为了追平一个月的时间差而付出的迁移成本，多半不划算。

另一个被忽视的世界：内容消费

一个刻意点出的割裂（51:31）：我们这拨人只关心 agent 的效率和 coding，但 AI 在内容消费上的渗透率远快于 agent，而且两拨人默认对方不存在。

AI 短剧的渗透已经超过八亿人。短剧正在「网文化」——能日更，又有长篇的复杂剧情和架构，不再是以前那种纯无脑。歸藏描述自己看短剧的体验很精确：我清晰地知道有人在引导我，我也顺着他的引导往前走，控制不住。

背后的判断（56:58）：越来越多的人其实不那么需要工作，AI 对他们最大的影响是娱乐而不是效率；同时创作门槛下降让「有资格讲故事的人」变多了——擅长讲故事但一直没能力表达的人，现在有机会被看见。引贾樟柯的话作结：两小时电影是好故事就是好故事，两分钟短剧是好故事也一样，跟时长无关，跟创作者身份无关。

继刚给了个三维模型（58:01）：原子世界、比特世界、token 世界三层叠加。AI 与比特世界结合，出来的是短剧、小说、办公效率；AI 与原子世界结合，出来的是大疆无人机往洪灾区投救援物资、能飞到落水者头顶再落下的救生衣，以及 AI for Science。

药物那段值得单独记（59:40）：现在的局面是药物研发极快、临床试验极慢。2021 至 2022 年基因编辑和蛋白质结构预测带来的一大批药正在做完临床，可能在 2035 年前后集中爆发——你会在某一年突然发现怎么这么多新药、这么多病都有的治了。实验猴价格暴涨、供不应求就是这件事正在发生的佐证。

全片最实用的一段：上下文

先是三个 AI 看病的真实案例（69:29）：

一位慢性病患者病了十年，看过至少十个医生，没有一个人听他把话讲完——每次听一点就说「差不多知道了」，开个药走人。他跟 agent 聊了很久，把十年的感受都讲了，被推出病因和用药，拿去找医生确认，医生说还真是，之前没有任何一个医生给过这个 option。病治好了。
主持人自己半年脑雾嗜睡、一跑步就想吐，因为母亲有甲减就一直以为自己是甲减。他每天跟 AI 聊天，某天问「结合我的上下文你觉得我可能是什么病」，AI 说可能是缺铁性贫血，建议去查——查出来正好在临界值，吃铁片好了。
歸藏女友的老问题，所有医生一看就开调激素的药。AI 说核心原因可能是胰岛素抵抗。因为体检只做空腹血糖，而年轻人的空腹血糖永远正常，所以一直查不出来；做了胰岛素释放试验，发现半小时到两小时区间比正常人高五到八倍，已经爆表。不查这一项，就永远在治标不治本。

提炼出来的能力是两条（73:17）：足够大的上下文阅读能力（医生只有 10 到 20 分钟，AI 能听你一小时、能读你一年的记录）加上专业领域的推理能力，两者今天都到位了。

而上下文的获取在国内被严重低估（73:50）：海外的人生活早已线上化在 Gmail、Notion、GitHub、Obsidian、Twitter 里，而且全都有 MCP，点一下所有信息就在那；国内点开连接器，只有飞书能连。大部分人的上下文困在微信里，根本拿不出来。（一个有意思的观察是：谷歌自家 MCP 读自家邮件和网盘反而不如第三方做得好。）

然后是全片我认为最值得单独抄下来的一句（74:22）：

上下文是一辆要维护的车，不是一套会增值的房。

问题是这么暴露的：疯狂往里堆上下文之后，即使在 prompt 里明确说了新想法，AI 还是会把你拉回你过去的平均值——它会从旧上下文里摘一段跟这次八竿子打不着的描述过来，直接改变这一轮的推理结构。这是一种 AI 版信息茧房。

四个人的解法各不相同，值得并排看：

谁	做法
歸藏	做顶层设计和索引，控制「什么时候不要读、什么时候才需要读」，剩下的不是越多越好
继刚	在写入时做一步加工，每次明确「这次基于什么背景、讨论什么话题」，让提炼带上边界约束，防止下次跨语境误引用
橘子	按项目隔离上下文区域，做完就归档；再把「客观项目信息」和「自己的主观认知」分层抽象
主持人	反过来，暴力全量喂入，但配一个明确的取景框——把某位企业家的方法论提炼成校准基准，让 AI 每天对照自己的言行指出差距

关于茧房，还有一条我认为是全片最好的观察（81:33）：你和你的 AI 会互相夸。

他们遇到过有人宣称自己的 agent 开发出了「解决模型幻觉的框架」——这个结论本身就是幻觉，但人和 AI 已经在一个熵增的闭环里互相肯定。戳破的时候对方非常痛苦，而且这不是个例。

由此给出两层觉察：第一层是应该形成自己的闭环，不要抄别人的；第二层是要意识到自己身在环中。自查的方法很朴素：把暴论发到网上看喷的人多不多，以及坚持读长文、读书这类非 AI 的信源。

收尾：产品的定义被重写了

最后一段把主线收回来了（91:37）：

所谓产品，就是自己带一套 FDE。

光给用户模型没有用，工具得有 GPS。得给用户一个目标和一条路径——像多邻国那样：你不知道怎么学英语，它说你来打卡就完了。往后每个 agent 产品会越来越不同，因为 onboarding 和 FDE 跟「这个 OS 的创造者觉得用户该往哪走」绑在一起，那是创造者的审美。

另外两个「过去一年切身感受最大的变化」（67:52），一个是语音输入法——说的时候像在跟自己对话，打字的时候会自斟自酌删删改改，心智上是完全不同的两条路；另一个是默认自动翻译——以前得点一下才翻，很多人就不点那一下，看到日语俄语就划走了，现在不用点，语言的隔阂真的就不存在了。

我读完带走的四条

交付产品不等于交付结果，中间那个落差是产品的一部分，不是客户的问题。这条对内也成立：给团队上一个工具而不管落差，等于什么都没做。
凡是价值链末端要碰分发、支付、合规的事，AI 的加速比就掉一个数量级。 这是判断一个方向能跑多快最省事的先验。
「只是个时间差」适用于绝大多数模型能力焦虑。 数据会回流，harness 和模型的绑定优势会被抹平；为了追平一个月的差距付出迁移成本，通常不划算。
上下文要定期修剪，堆积是有代价的——代价不是存储，是它会把你拉回过去的平均值。别人的 skill 和别人的上下文一样，进不了你的工作流；能用的是那个模板，得自己重做一遍。