这群研究员一边唱衰大厂，一边把 AI Agent 的未来说清楚了

在 South Park Commons 的一场研究者对谈中，几位站在 Agent 前沿的人抛出了几个“反直觉”判断：真正决定 AI 走向的不是更大的模型，而是开源、Agent 设计方式，以及谁能扛住推理成本。这不是一场宏大叙事，而是一场把行业底层逻辑摊开讲的内部讨论。

开场就自嘲，但真正的信号是：没有人想再装成权威

“我可能是这里最笨的人。”当台上的嘉宾用这种方式开场时，现场笑了，但真正懂行的人听出了另一层意思：这是一个没人敢轻易下结论的时代。

这场讨论从一连串看似随意的寒暄开始，但很快暴露出一个共识——Agentic AI 还处在极不稳定的早期阶段。即便是研究者，也更愿意把自己放在“探索者”而不是“布道者”的位置。这里没有宏大的路线图，更多是对不确定性的坦诚：架构未定、范式未稳、成本失控。

这种姿态本身就是信号。过去十年，AI 圈习惯了确定性叙事：模型会更大、能力会线性提升。但这场对话的底色恰恰相反——大家默认：很多关键问题，今天根本没有答案。

为什么他们对开源如此“上头”：不是情怀，而是生存策略

当话题转向开源，现场气氛明显认真了起来。有人直接抛出判断：世界正在因为开源而被重新“民主化”。这并不是一句口号，而是对现实的描述。

有意思的是，这些研究者并不天真。他们清楚开源在大公司里的角色往往被“理性化”：它服务的是招聘、生态、甚至是监管姿态，而不一定是真正的技术解放。但即便如此，他们依然对开源保持罕见的乐观。

原因很简单——在 Agent 时代，单点闭源优势正在被削弱。Agent 不是一个模型，而是一整套系统：模型、工具、记忆、调度、评估。系统复杂度越高，开源的协同价值就越大。当“可理解性”成为核心竞争力时，让“别人——无论是人还是模型——能看懂你的系统”，本身就是护城河。

这也是为什么他们不断被追问：有没有真正成功的开源创业案例？问题背后其实是焦虑——如果开源赢了，谁还能赚钱？而台上的回答并不完整，但态度很明确：不开源，可能连上牌桌的机会都没有。

Coding Agent 真正改变的，不是效率，而是产品怎么被设计

讨论进入 AI Agent，尤其是 Coding Agent 时，话锋突然转向“做产品”。

一个细节值得反复咀嚼：他们谈的不是“让 Agent 帮你写代码”，而是“我希望团队如何围绕 Agent 来构建产品”。这是两个完全不同的出发点。

在这种视角下，Agent 不再是功能，而是组织结构的一部分。产品不再假设“人是唯一决策者”，而是默认：代码、文档、上下文，都可能被 Agent 消费和再利用。这也是为什么他们反复强调：系统必须足够清晰、可解释。

有人形容这是“一枚硬币的两面”：一边是前所未有的民主化，任何人都能调用能力；另一边是复杂度的急剧上升。你越是把 Agent 放进核心流程，就越不能容忍黑箱。

所有人都在回避，但绕不过去的真问题：Token 和推理成本

当话题落到 Token 使用和大规模推理成本时，现场明显变得谨慎。

原因很现实：Agent 的价值和成本是同时放大的。一个简单的对话模型，成本可控；但一旦进入多步规划、反复调用、长上下文，Token 就开始“燃烧”。而今天，没有人能清楚回答：在大规模 Agent 系统下，成本曲线会如何演化。

更残酷的是，这不仅是技术问题，也是组织选择问题。为什么有人选择在大公司内部做 Agent？答案里带着一丝恐惧——因为只有大组织，才能暂时消化这种不确定的成本结构。

而关于长期的 Agent 架构，台上的结论几乎是诚实到残酷：“我甚至不知道最终架构会长什么样。”唯一确定的前提是：在硬件没有实质性突破之前，所有软件层面的乐观，都需要打折。

总结

这场讨论最有价值的地方，不在于给了答案，而在于明确了“哪些问题现在还不能被轻易回答”。对从业者来说，有三个直接 takeaway：第一，把开源当成能力放大器，而不是公关策略；第二，在设计产品时，默认 Agent 是一等公民，而不是外挂工具；第三，尽早正视推理成本，把 Token 当成真实的资源约束。

如果你正在做 Agent，不妨反问自己一个问题：当你的系统被别人（或另一个模型）接手时，它还成立吗？这个问题，可能比模型参数量更重要。

关键词： 开源模型， AI Agent， Coding Agent， Token 成本， 推理架构

事实核查备注： 需要核查：视频的实际时长；关于开源“民主化”的原始表述措辞；关于 Token 和推理成本讨论的上下文是否完整；是否有具体提及硬件进展受限的原话。