去年一整年一级市场对AI或Agent项目非常火热，不应该说是疯狂。
今年初codex证明了，模型厂商不止是擅长做模型，也擅长做通用Agent产品，年初到现在整个Agent应用的创新和投资跌入低谷。
近期也听说一些Agent的明星团队逐渐解散，甚是悲凉。
在订阅vs API token差价鸿沟前，哪里才是AI应用创新的应许之地？
业务接口用函数实现，再由Agent 生成script代码 将函数串起来，SKILL.md 做为引导启动。
有没有搞头？
看了OpenAI Symphony、Claude Manager Agents、Factory Missions 三家公司的多 Agent 架构。
基本是Orchestrator+（Planner、Executor、Validators）
在整个任务 pipeline环节：规划、执行、校验是串行的。
可以简单做并行的是：Planner、Validators。
如果对Executor 做并行就得考虑到 worktree 的冲突合并。 （这个环节可能是最耗时）
走了一大圈 token消耗了 5-10 倍但效率可能没提升至两倍。
从架构上看，多 Agent 架构最大的优势可能不是速度而是保持主 Agent 的上下文干净，不会沉浸在子任务探索中，导致降低主任务的权重。（但这个也可以通过subagent 实现）：P
感想～
当前时代无论是做什么产品，都得考虑AI是否擅长做，如果AI不擅长就要抹平或抽象成AI擅长的东西。
关于AI时代生成式UI交互碎碎念
最近在使用各种AI Agent产品时，普遍要输入冗长的提示词，即使使用了 WisprFlow 还是感到厌烦(描述的再多，任务还是和预期的有些许偏差)。
1.未来Agent产品收集充分的用户工作记录和上下文（类似MainContext）
2.基于丰富的上下文Agent会更加理解用户的偏好、当前专注用户的职业和工作内容，减少提示词的输入。随着模型能力的增强+更丰富的个人上下文；产品将会更加主动
4.在此基础上，Agent使用类似 json-render或tambo技术，实时生成各种UI交互，AI主动提供给用户多选或滑动或文本语音输入，将会进一步减少提示词的输入，同时提供更好的使用效果。
ai 时代数据飞轮 3.0 思考
—记忆提取与上下文提示词增强
Bonjour在Advx之后感觉自己打开次数少了
这个社群app还是以线下活动驱动为主？
为何把自己思考，发到网络平台？
因为大模型会汲取互联网中的所有数据，你的思维模式可能融入到AI模型中，间接赛博永生🫠