剛剛，北京市發佈了一份特別重磅的政策文件。
文件不長，一共10條。
但我把它從頭到尾看完以後，我的第一反應是，這份政策真的有點太新了。
Agentic AI、Harness Engineering、AI OS、FDE、OPC、Token經濟、TaaS、AaaS、RaaS、Token工廠、AIP。
這一串詞，很多直到幾個月前，還只會出現在AI創業者的產品方案、技術社區的討論和一些非常前沿的論文裏。
現在，它們被一口氣寫進了北京市的正式政策文件。
尤其看到Harness Engineering被翻譯成駕馭層工程，堂堂正正放在第二條的時候，我覺得忽然有一種激動感。
這10條放在一起看，其實就是我們未來智能體經濟的宏偉藍圖。
接下來，希望各位可以跟我一起花一點時間，我們就按照文件原本的10個類別，一條一條來聊。
第一條寫的是基礎模型。
文件原文裏有一句話，我覺得很關鍵。
“持續提升大模型實際任務完成能力。”
注意這裏的用詞，實際任務完成能力。
過去幾年，大模型競爭的核心是各種Benchmark。
比如數學多少分，代碼多少分，知識多少分，推理多少分。
這些評測當然有價值，它們能告訴我們一個模型在某個能力切片上大概的智力程度怎麼樣，幫助我們進行量化。
可Agent真正工作時，拿到的往往只有一個模糊目標。
它要補齊信息、拆解計劃、調用工具、操作環境、讀取反饋、發現錯誤、修正路線，然後一直做到結果出現。
這裏有一筆很簡單的賬。
假設一個Agent連續執行100步，每一步正確率都高達99%，並且先粗暴地把每一步看成獨立事件。
它把100步全部做對的概率，只有大約36.6%，哪怕單步正確率達到99.9%，完整跑通100步的概率也只有大約90.5%。
現實任務更加複雜，就連最頂級的Claude Fable 5、GPT-5.6 Sol、Kimi K3在我的實際任務開發中，經常都有各種完不成的任務讓我暴跳如雷。
所以Agent的實用價值，我一直覺得可以粗略寫成一個乘法。
模型能力，乘以長程可靠性，乘以環境可操作性，再乘以結果可驗證性。
其中任何一項接近零，最終產生的真實價值都會跟着接近零。
這也是文件爲什麼把在線學習、持續學習、自主進化、超長程任務、複雜推理與規劃、工具調用、長上下文、多智能體協同和記憶，全放在第一條裏。
這些詞共同指向一種新的模型能力，那就是，可靠的行動能力。
現在前沿評測也在往這個方向走。
比如METR提出了Task Completion Time Horizon，任務完成時間地平線，直接測Agent能以50%或者80%的成功率，獨立完成一項原本需要人類專家工作多長時間的任務。
這就是代碼爲什麼成了Agent最早爆發的領域，原因就在這裏。
它高度數字化，Git可以回滾，測試可以驗證，所有動作幾乎都能留下日誌。
所以，未來最有價值的資源之一，會是高質量的任務環境。
誰掌握真實工作流，誰能提供工具、反饋和可驗證結果，誰能積累大量成功與失敗的執行軌跡，誰就擁有改進Agent最寶貴的資產。
當你開始用任務結果評價模型，你才真正進入Agent時代。
第二條，絕對是大家感覺到，最親切的一條。
“支持創新主體實施駕馭層工程（Harness Engineering），圍繞上下文工程優化、任務持久化、多智能體協作、系統可擴展等夯實智能體共性底座。”
Harness工程，直接被寫在了政策文件裏。
我們都知道，模型提供了潛在能力，能力能不能穩定兌現，取決於模型周圍那一整套系統。
這些合起來，就是Harness。
如果第一條負責提升Agent的能力上限，第二條解決的就是抬高能力下限。
今年4月的一篇論文《Agentic Harness Engineering》也驗證過，保持基礎模型不變，只迭代模型外面的工具、中間件、長期記憶和可觀測系統。
十輪以後，Terminal-Bench 2的Pass@1從69.7%提高到77.0%。
換到其他模型家族上，依然有5.1到10.1個百分點的提升，消融實驗還發現，關鍵增益更多來自工具、中間件和長期記憶，單純修改系統Prompt貢獻有限。
所以Harness絕對不只是幾條Prompt技巧，它是一門真正的系統工程。
這裏也藏着一個巨大的產業機會。
我一直覺得，基礎模型會越來越集中，企業Harness會越來越分散，每家公司都有自己的數據、流程、權限、規則、術語和異常處理方式，這些纔是一家公司真正獨有的AI資產。
政策裏點到的上下文管理、長期記憶、任務持久化、Agent觀測、結果評測、權限控制、可信沙箱、跨模型路由和多Agent編排，全都是新的基礎設施。
文件還寫到了技能市場、軟件商店和AIP等互聯標準。
未來很多軟件的直接用戶，會變成Agent，Agent需要機器可讀的能力說明、接口、身份、權限、價格和服務質量。
過去開發者爭App Store裏的排名，未來還要爭一件事，怎樣被Agent發現，怎樣成爲它完成任務時默認調用的Skill。
我更願意把它理解爲，政策正在爲Agent之間、Agent與軟件之間的大規模互聯提前鋪路。
我覺得這裏最重要的概念，是“需求智能”。
過去的軟件智能，我覺得大概經歷了三層。
最淺的一層叫功能智能。
原來的軟件多一個生成按鈕，幫你寫段話、畫張圖、總結一個文件。AI只負責某一個節點，剩下的流程依然由人點擊和搬運。
再往上一層，是流程智能。
AI能夠串起幾個連續步驟，在固定工作流裏調用不同工具，替人完成一段相對完整的流程。
再往後，是需求智能。
用戶只表達想要的結果，系統自己判斷要經過哪些步驟、調用哪些模型和Skill、連接哪些軟件、需要誰批准，最後對完整結果負責。
用戶操作軟件的重心，會從學習功能和尋找按鈕，逐漸變成描述目標、確認邊界和驗收結果。
這正好對應政策裏另一個很大的詞，超級軟件。
超級軟件的“超級”，未必跟移動互聯網一樣，來自功能數量更多，它真正強的地方，可能是能夠跨過原有軟件的邊界，統一理解需求，再把分散的能力重新編排起來。
這也會動搖過去幾十年軟件行業最穩定的結構。
我以前說過，UI可能會被Skill吞掉。
而這次，這份政策裏的“需求智能”“超級軟件”“AI OS”“技能市場”，其實已經把這條路徑連了起來。
用戶從人擴展到Agent以後，軟件的產品設計、分發方式和商業模式都會跟着變化。
原來靠複雜界面形成的使用壁壘會降低，真正值錢的東西會轉向數據、權限、服務質量、可組合能力和結果信譽。
老軟件公司手裏有客戶、數據和系統入口，優勢很大，但它們的包袱也很重，既有產品、組織和收費模式都需要調整。
創業公司動作快，可以直接從Agent原生架構開始，可它們必須拿到真實場景、數據和系統權限，光靠一個通用聊天框很難建立壁壘。
所以這一條還專門寫了FDE，前沿部署工程師。
FDE會進入客戶現場，跟業務人員一起拆流程、接系統、清數據等等，再把每天出現的新問題帶回產品裏。
這類工作看起來很重，卻是行業Agent繞不開的產品化路徑。
服務一個客戶，沉澱一套軌跡。服務十個客戶，找出共性結構。等共性足夠穩定，服務纔會真正長成產品。
對於想做行業Agent的公司，選場景時我覺得也可以用五個條件判斷。
任務頻率、人工成本、數字化程度、結果可驗證性和錯誤可撤銷性。
五項裏佔得越多，Agent越容易產生真實ROI，也越適合成爲第一批標杆場景。
所以科學、醫療、教育、政務、製造和文化看起來跨度很大，政策選擇它們的邏輯卻很一致。
這些領域有大量高價值流程，也有大量可以被數字化、驗證和持續優化的專業任務。
第四條從軟件走到了終端。
文件提出，把智能體深度嵌入智能手機、智能眼鏡、智能耳機、可穿戴設備、智能機器人和智能汽車，同時推動“芯模雲端用五位一體協同發展”。
這句話很關鍵。
一個聊天模型生活在對話框裏，輸入和輸出都由人主動提供。
一個真正的終端Agent，需要持續感知環境、理解用戶狀態、記住長期上下文，在合適的時間作出決定，再通過設備和服務執行動作。
終端給Agent帶來了三樣模型自己沒有的東西。
傳感器讓它感知世界，設備身份和個人數據讓它理解我是誰，操作系統、應用與執行器讓它有能力改變世界。
所以智能終端的競爭，也很難靠接入一個大模型解決。
模型要和芯片、攝像頭、麥克風、傳感器、操作系統、電池和具體應用等等共同設計。
端側負責低延遲感知、身份驗證、隱私數據和高頻簡單任務，雲端負責更復雜的規劃和推理，設備之間還要共享任務狀態，讓一個任務可以從耳機開始，在手機上繼續，再到汽車或電腦上完成。
這就是文件說，“芯模雲端用”爲什麼必須一起做，非常的有前瞻性。
這裏會長出一條非常長的產業鏈。
而且文件還寫到，符合條件的新產品可以納入家電以舊換新、數碼和智能產品購新範圍。
這一步直接補了需求側。
AI消費級硬件終端，感覺馬上就要迎來大爆發了。
第五條，可能是對普通人最直接的一條。
文件原話就是標題：
“支持以 OPC（一人公司）爲代表的創新創業新模式”
OPC最值得看的地方，遠遠超過一個人也能開公司這句話。
它背後其實是企業邊界正在發生變化。
1937年，經濟學家科斯解釋過一個經典問題，公司爲什麼會存在。
因爲很多事情放在組織內部協調，比每次都去市場上臨時尋找、談判、簽約、監督和驗收更便宜。
這就是公司存在的最大的意義。
可Agent正在同時壓低執行成本和協調成本。
寫代碼、做設計、整理客戶、回覆諮詢、處理報表等等，這些過去需要不同崗位協作的知識工作，可以被一個人通過多套Agent串起來。
企業的最小可行規模因此開始下降。
過去一個人只能出售自己的時間，但現在，一個人可以出售自己加上一整套Agent系統的產能。
但AI能放大生產，它不會自動送來客戶、信用、現金流、法律責任和最終判斷。
這也是爲什麼政策沒有隻喊一句鼓勵OPC，然後就結束了。
它繼續寫了彈性算力、專業孵化、創業輔導、科技金融、知識產權、政策諮詢、OPC社區、全週期服務站、供需對接和便利化登記。
這些服務合在一起，相當於把過去公司內部的後臺能力，搬到社會公共服務層。
所以在我的理解力，OPC社區，它更像一套微型企業操作系統，爲個人提供算力、合同、財稅、合規等等基礎設施。
這裏其實會出現很多讓人興奮的新生意。
比如 OPC工作臺、智能財稅、合同審查、自動CRM、Agent項目管理等等等等。
對於個人來說，我覺得像真正抓住OPC機會，需要三種資產。
1. 行業判斷，你知道什麼問題值得解決，也知道結果好壞該怎樣判斷。
2. 是客戶與信任，你能找到願意付錢的人，也能承擔交付責任。
3. 可複用的Agent系統，你能把一次勞動沉澱成Skill、數據、評測和工作流，下一次用更低成本交付。
註冊公司、租辦公室、做Logo都可以放在後面。
先找到一個有人願意付錢的結果，再證明自己能連續十次穩定交付。
做到這一步，一個人才真正開始擁有公司的能力。
Token其實對所有做AI的人，我相信都是又愛又恨。
要知道，傳統SaaS增加一個用戶，新增計算成本通常比較穩定。
但，Agent執行的是動態任務，任務長度、上下文大小、推理輪數、工具數量和重試次數都不確定。
你可以花出去20億Token，什麼都沒有得到，這太正常了。。。
比如我前兩天的吐槽。。。
所以Agent公司的成本，天然帶着波動和風險。
這也導致，Token可以成爲成本計量單位，卻很難直接成爲衡量價值的統一貨幣。
政策顯然也看到了這一點。
它一邊提出Token服務質量評估和計費規範，一邊鼓勵行業建立由智能質量、調用量和轉化效率組成的評價體系。
然後寫下了我覺得整條裏最重要的一句話。
“鼓勵創新主體從Token消耗量計費轉向價值計費。”
這三類商業模式，可以粗略理解成三個價值層級。
TaaS出售基礎Token和推理供給，競爭重點是價格、速度、穩定性和模型質量。
AaaS把模型、工具和Harness封裝成一個可以工作的Agent，客戶購買的是一項能力。
RaaS直接出售結果，客戶關心合同有沒有審完、代碼有沒有修好、線索有沒有轉化、設備故障有沒有提前發現等。
越往上走，離Token越遠，離客戶價值越近，能夠獲取的利潤空間通常也越大。
可RaaS的難度同樣會陡增。
供應商要承擔任務失敗、重複執行、成本波動、質量驗收、結果歸因和賠償責任。沒有穩定的完成率、明確的評價標準和強大的安全體系，結果計費很容易把公司拖垮。
所以Agent公司以後必須算一筆全新的賬。
一次成功任務的真實成本，包含模型推理、工具調用、失敗重跑、人工接管、延遲損失和錯誤風險。
真正應該優化的指標，叫Cost per Successful Task，每個成功任務的成本。
再往上一層，還要算Value per Successful Task，每個成功任務給客戶創造了多少價值。
只看每百萬Token價格，會讓公司不斷壓低原料成本。盯住每個成功任務的成本和價值，纔會逼着公司優化模型路由、上下文長度、緩存、工具設計、驗證器和整個Harness。
這也會催生一批新的基礎服務。
文件還提出，把符合條件的Token新產品和新服務納入中小企業服務券範圍，並探索Token券和智能體服務券。
Token工廠解決供給，服務券和Token券啓動需求，價值計費負責讓商業閉環長期跑下去。
這已經遠遠超出給AI公司發幾張算力券了。
我覺得，政策正在嘗試建立一套圍繞智能生產、智能交易和智能結算的新市場。
這，纔是Token經濟。
第七條，關於安全。
聊天機器人主要產生內容，Agent會獲得行動權。
它可以改代碼、調用支付、控制設備、代表用戶聯繫其他人等等。
風險也從一句話說錯了，擴展到一件事做錯了。
這兩類風險的量級完全不同。
Agent安全至少要同時處理五個問題：
目標理解錯了，權限越界了，外部內容通過提示詞注入操控了它，長期記憶被污染了，多個Agent之間還可能把一個錯誤快速放大。
更麻煩的是，Agent經常要連接第三方工具和Skill。
任何一個插件、接口或者數據源出現問題，都可能沿着任務鏈進入核心系統。
所以文件提出的安全措施，已經從內容審覈走到了運行時治理。
今年5月，國家網信辦等三部門發佈的《智能體規範應用與創新發展實施意見》也提出，要劃分僅限用戶本人決策、需要用戶授權決策和智能體自主決策的邊界。
這件事會成爲Agent產品最核心的設計問題之一。
哪些動作可以自動執行，哪些動作必須二次確認，哪些數據只能讀不能寫，哪些權限用一次就收回，哪些結果必須由人承擔最終責任。
很多團隊習慣產品做完以後再補安全。
Agent時代這條路我覺得會越來越難走。
權限模型和執行邊界如果早期沒有設計好，後面接入的工具越多，風險債務越大，OpenAI剛剛還爆出了一個很嚴重的安全事故。
分級分類監管反而可能幫助行業加速。
低風險任務可以通過自測、報告和平臺管理更快上線。高風險任務使用更嚴格的檢測、權限和人類確認。不同場景採用不同門檻，企業才知道產品做到什麼程度可以進入市場。
安全在這裏既是約束，也是市場準入證。
誰能證明自己的Agent可控、可查、可停，誰才更有機會進入金融、醫療、政務、工業和大型企業的核心流程。
所以Agent安全，在這個時代，絕對也會是一門非常大的生意。
在這條裏，文件提出實施銀河算廊工程，建設面向智能體高頻併發、低延遲需求的新型算力基礎設施，推動算力網絡與5G-A、6G、F5G融合，同時挖掘存量算力，把小散算力零存整取。
這一段背後，是AI算力需求正在發生結構性變化。
訓練大模型更像集中式的大工程，需要大量芯片在一段時間裏高強度協同。
Agent推理更像一張長期運行的生產網絡。
它要全天候響應海量任務，有些任務發生在雲端，有些發生在工廠、汽車、手機和眼鏡上。不同任務對延遲、隱私、成本和模型能力的要求完全不同，而且負載會隨着真實業務劇烈波動。
未來需要調度的已經不只是GPU。
還包括雲、邊、端的不同芯片，不同大小的模型，不同地區的數據權限，不同網絡條件，以及每個任務能夠承受的時間和預算。
所以銀河算廊的價值，接近於爲智能生產建設一套算力物流系統。
這裏會出現算力路由、異構調度、邊緣推理等大量機會。
文件還提出，支持銀行和保險機構開發服務智能體落地的金融產品。
這也很現實。很多Agent公司早期需要持續支付算力和FDE成本，手裏最值錢的資產卻是代碼、數據、合同等等，傳統抵押融資很難評價。
特別是Agent時代會多出一類新的核心資產，任務軌跡。
一個目標怎樣被拆解，Agent選擇了什麼工具，環境返回了什麼信號，哪一步失敗了，人在哪裏接管，修改了什麼，最後結果有沒有成功。
目標、計劃、動作、觀察、糾錯、結果，這一整條鏈才叫執行數據。
它同時可以用來訓練模型、優化Harness、發現安全漏洞和分析業務流程。
人才結構也一定會跟着變化的。
未來真正稀缺的，不只是訓練模型的算法工程師。
只要能把模型能力穿過複雜的組織和系統，變成可以穩定驗收的結果的人。
都稀缺。
文件提出高水平建設中國與上合組織國家人工智能應用合作中心，研究一國一策的大模型和智能體出海路徑，同時建設有全球影響力的開源社區。
在美國模型被瘋狂封禁的情況下，我們這邊鼓勵開源的政策，真的就非常的眉清目秀。
沒有對比，就沒有傷害。。。
智能體時代，真的格外需要開源和協議，因爲Agent天生要連接。
而且智能體生態的網絡效應會非常強。
一個新Skill接入以後，不只服務一款產品，所有兼容協議的Agent都可能獲得這項能力。
Agent越多，開發者越願意提供Skill。
Skill越多，Agent又越有用。
誰的協議和框架被廣泛採用，誰就更有機會掌握後面的開發入口、分發規則和生態話語權。
開源是推動這種事實標準形成最快的路徑之一。
所以政策專門提出評價開源貢獻度，也很重要。
開源項目真正昂貴的部分，經常是長期維護和運營社區，貢獻如果能夠被正式評價和支持，纔有機會讓更多開發者長期投入。
出海部分同樣值得認真看。
智能體產品進入一個國家以後，會接觸當地數據、賬戶、支付、企業系統和現實服務，它必然會比普通內容產品更深地嵌入當地經濟，也會面對更復雜的隱私、責任、行業准入和文化問題。
所以文件提出一國一策。
這也會給中國企業帶來一批新的全球化機會。
最後一條寫保障。
文件提出統籌國家和市區財政資金、政府投資基金、市場化基金，對符合條件的技術攻關、共性平臺和示範應用項目給予支持。
從責任部門的安排裏，已經能看出這份政策的覆蓋面。
這一刻，智能體已經跨出了單一技術產業的範圍，開始同時影響科技研發、軟件、製造、消費、創業、金融、監管、人才和國際合作。
我也希望，能盡我自己的一些綿薄智力。
爲智能體新技術、新產品、新服務的宣傳推廣，做好我的應盡之義務。
寫到這裏，這十條終於就全部過完了。
以上，差不多就是這份文件大部分跟行業有關的內容了。
聊了這麼多宏大的圖景，最後還是得落回我們自己身上。
智能體時代，對每個人和每家公司來說，既是巨大的機遇，也是一次非常直接的能力重估。
對所有人來說，肯定也有挑戰。
大多數職業不會在一夜之間消失，更現實的變化，是一個職業會被拆成幾十個任務，其中重複、流程化、容易驗證的部分，率先被Agent接走。
比如資料蒐集、文檔整理、初步分析、基礎編碼、標準化運營，這些過去需要幾個人連續忙幾天的工作，未來可能被一個人帶着一組Agent完成。
真正被改變的，會是工作量、崗位數量和勞動價格。
只會完成中間步驟、無法判斷結果、無法對最終交付負責的人，壓力一定會越來越大。
對公司也一樣，模型能力上去了，組織能不能給它一套真正可以工作的環境，反而成了更難的問題。
我覺得，機遇恰恰藏在任務重新分配、能力重新定價的過程裏。
軟件會從功能集合走向任務系統，公司的最小規模會繼續縮小，個人能力的上限會被重新計算，商業價值也會從用了多少人、多少小時、多少Token，逐漸走向最終創造了什麼結果。
這會讓人焦慮，因爲很多熟悉的能力正在貶值。
它也讓人興奮。
過去，一個普通人想做成一家公司，需要資金、團隊和複雜的管理。
現在，一個人帶着一套成熟的Agent系統，也有機會從一個很小的真實任務開始，大幅放大自己的能力。
但Agent不會自動帶來成功，它只會把一個人的目標、判斷、專業和執行系統一起放大。
所以這個時代，最值得做的事，是儘快找到自己真正懂的那段工作，把它交給Agent，反覆跑，反覆改，直到它能夠穩定創造結果。
智能經濟的序幕已經拉開。
Agent也已經開始工作了。
那接下來，好戲。
開場。
以上，既然看到這裏了，如果覺得不錯，隨手點個贊、在看、轉發三連吧，如果想第一時間收到推送，也可以給我個星標⭐～謝謝你看我的文章，我們，下次再見。
>/ 作者：卡茲克
>/ 投稿或爆料，請聯繫郵箱： [email protected]