AI探索站

DeepSeek口中的Super Agent是一个美好的技术幻梦

过去几年，大家跟AI对话像是在用极其原始的对讲机。写份周报、查个数据你得开一堆对话框，每次都要把前因后果解释一遍。

结果就是你我活生生被逼成了最廉价的“人肉路由器”，一天下来光顾着在不同的窗口之间复制粘贴了。

为了解决这个痛点，DeepSeek公布了一份关于“Super Agent（超级智能体）”的万字架构长文。AI圈看完很嗨，惊呼终于有了能多任务并发、主动干活的操作系统骨架。

但如果你真的操盘过实际业务，就会得出一个截然相反的结论。DeepSeek口中这个无所不能的Super Agent，其实是一个极其美好的技术幻梦。

这套架构在纸面上极其完美，它搞了个中枢加执行节点的双层结构，彻底干掉了一对一的对话窗口。它让你不用再管上下文，后台会自动把任务拆解。

它甚至能搞“投机执行”，在群里还在讨论Bug的时候，后台已经悄悄把补丁写好了，你觉得没用就直接销毁，绝不烦你。它还用五十年历史的古典分布式工程，给大模型套上了“看门狗”和“存算分离”的铁笼子。

但剥开精密的工程外衣，这其实是一份大模型厂写给全行业的“认罪书”。它在用极其繁复的外围系统，去给大模型天生不靠谱、容易走神发散的烂摊子擦屁股。而哪怕这套系统真的做出来了，它依然撞不破现实世界里的三堵南墙。

长文里那个最让极客上头的“投机执行”从技术上看叫主动服务，从业务视角看就是纯纯的败家。

为了猜中你的心思，系统在后台同时跑好几个备选方案，如果没猜中就悄悄丢掉。这种玩法在极客的玩具库里很酷，但放到真实的商业大环境里，绝大多数企业根本扛不住这种高昂的试错成本。

老板们掏钱要的是确定的投入产出比，而不是一个整天在后台疯狂烧着Token、为了给你提供情绪价值而不断自嗨的吞金巨兽。盲目迷信这种伪主动，最后一定会被雪崩般的算力账单拖死。

这套架构的致命前提是假设所有的代码库、群聊、会议记录和邮件都能被AI随意穿透，但在真实的职场里最难搞的从来不是接口。

中层管理者凭什么交出核心业务流？不同部门凭什么让你跨权限读取数据？技术部门凭什么把底层系统的后门向你敞开？

这套架构或许在极客小团队里能跑出神级体验，而一旦推进到大企业立刻就会陷入无休止的部门扯皮和数据壁垒之中。技术能解决并发的物理极限，但解决不了人性的利益分配。

DeepSeek描绘了一个AI接管所有琐碎信息的完美未来，而你只需要当一个无脑验收的老板。

听起来很好，但这其实是在用机器的确定性绞杀人类的创造力。当AI把你所有的碎片化灵感都强制转化为结构化的交付物时，你在这个系统里的角色就变成了一个毫无感情的点按机器。当机器替你过滤了一切杂音，你也同时失去了在噪音中听到微弱旋律的能力。

所以只有看透了这个幻梦，你才能明白AI下半场的真相。

底层基建最终一定会被开源、被管道化，未来没人会在乎谁的调度系统做得更完美。真正能活下来并拿走最大蛋糕的是那些懂得把复杂的脏活扔给机器，把最敏锐的商业直觉和判断留给人类的团队。

别去当那个沉迷于在后台疯狂自证的AI，去当那个懂得如何把机器算力变成实际价值的冷酷老板，这才是AI乱纪元里唯一的生存法则。

我现在主要通过grok bot「刷」X，就像我主要通过ChatGPT app「上网」，这些都相当于新一代的「浏览器」（虽然还很原始）

很早以前（Twitter被Musk收购之前），我刷Twitter的方式本来已经进化到通过Nuzzel了（图2。传统社交推荐算法），后来Nuzzel被X收购，变成付费用户功能，不受重视，逐渐下线了

当时我「上网」的方式也进化成了看newsletter为主（相当于各个真人curator人工做现在AI做的事情），当时我还准备做这方面的「浏览器」产品

这些newsletter现在也还没淘汰，图3是我目前的用法，再套一层娃

以上可称作「Agentic digital minimalism」

这种类似古雅典哲人生活方式的「建立在他人代劳基础上的极简主义上网方式」对用户来说很好，而对SpaceX和Google来说，会既增加它们的「软件分发成本」，也减少用户在它们软件中的「摩擦」（社交互动、广告投放本质都是软件使用过程中的摩擦和中间环节，以前更容易靠这些摩擦来把流量货币化），让它们原有的「生意」变得没以前那么好（还好SpaceX以前的生意本来也不好，起点低，不像Google那样受伤）

我做的去 AI 味 skill，lieflat less ai tone，已经更新第二版到 GitHub啦，这一版在语料和测评上都更严谨，花费的精力和金钱也是成倍增长T T

为了弄清哪些特征值得改，我先用629 篇文章做对照，这也是我第一轮测试的主要语料，大家可以看我之前的帖子。这一轮，我在此基础上做了更准确的语料，用270 对同题、同事实、长度对齐的文章复测，总语料约520 万字。

测量方法上，我加入了更全面的测评方式。除了90项指标的脚本测量，我增加了语义模型测评，需要理解句意的部分，我用 Jev 完成约 43 万次模型语义判断（如果换成其他模型确实很难迅速做完，也非常贵）。最后，我还做了人工评测，主要用于评判比喻是否贴切。

这次测评显著的AI味特征主要有：欧化对举句式、密集并列、比喻贴切度低等。不同模型仍然有各自的写作偏好，例如破折号GPT-5.6 用得偏少，Opus 4.6 用得偏多。

我的目标是做最详细最扎实的开源 AI 味写作测评项目！

地址：github.com

Twitter 设计师做的这个叫Stageshow的 skill 可以帮你制作更好的 UI 元素。

比如在动效、交互体验的结果以及排版上都能有一些优化。

如果有页面设计的需求，可以试试它。

怎么区分一款AI产品是ChatBot还是Personal Agent？

很简单，如果图标长得像屁眼，那就是ChatBot，如果长有一张脸，那就是Personal Agent。

终于把自己的几个设计 Skill 合并了！

做成了一个 DeepSeek Harness 的插件 dsh-guizang-design

共用一套设计系统和 Design Token，还加了几个有用的功能

这几个原始插件加起来的 star 数可能已经有个五六万了

这里尝试：github.com/op7418/dsh-guizang-design

想请教一下即刻的大人们，我适合去哪家公司，我适合做什么工作，我是不是应该离开 jianying 去当一个独立开发者，做一个小生意。

我 vibe coding 能做出很完善很完整的产品，几乎具备所有 0-1 的研发能力。

我学习了好多增长的知识，但是这件事比研发投入还要大，于我而言兼职做不了。

但是我有好多兴趣爱好，也有好多需求痛点，所以我做了好多个产品，但是都不赚钱。我享受做产品的过程。我期待为一部分人群做有价值的东西。

我觉得，我想去为真正的 personal agent 做大场景设计，比如 todayai 里面学英语的场景，是需要设计一个开放的可定制的学习系统，把学习目标、动力、机制、材料整合在一起。

那我就可以做很多个人的需求。

来自ENPF 的乐观疑虑。

给自己的 Personal Agent 加了个摇杆🕹️：
让 Bot/dot/Muse/Cue/... 直接使唤两台 Mac 上的 Codex 一起干活，把 computer use 能力“借”过来用

0.1.0 特别新增后台管理，致力于让家人朋友们的 Bots 共享 n 个打工 Codex（

大学老师可能没想到，GitHub 上已经有人把私人家教开源了。

这个项目叫 DeepTutor，由香港大学数据智能实验室开发，目前在 GitHub 上已经获得超过 4.2 万颗 Star。

它不是普通的 AI 聊天机器人，而是一套完整的 AI 个性化学习系统。 你可以把教材、论文、PDF 扔进去，它就能围绕你的资料建立知识库，讲解知识点、解答问题，甚至自动生成练习题，检查你到底学会了没有。

更夸张的是，它支持深度研究、交互式可视化、沉浸式阅读，还能根据学习进度规划掌握路径。 如果你学高数，它可以辅助拆解公式；

如果你学外语，它可以陪你练习；如果你研究论文，它还能结合资料帮你梳理知识体系。 它甚至支持长期记忆、接入 QQ 和微信等聊天渠道，让 AI 老师不再局限于一个网页。

项目采用 Apache 2.0 开源协议，支持本地部署，不过调用部分 AI 模型可能产生费用。

未来的教育，也许是每个人都有一个真正了解自己的 AI 老师。

昨天跟一位产品经理朋友聊用AI写文档的话题，我们想刨根问底地寻找一个坚实的理由和逻辑，来雄辩地说服自己，文档很明显有AI味是不好的。

最后找到了一个：明显的AI味会种下怀疑的种子，即“我的伙伴可能没有足够用心地工作”。这对创业公司的同事间的信任和战斗力是不好的，因此即使仅仅是遮，也应该去遮。

而更长久的应对之策，可能是未来的PRD会有两个版本，一个是更长更完整的版本，AI大概率会参与里面的很多环节，一个是给同事和上级（人类）看的版本，它应该更短、重点更突出，更精炼，而且一定要能看出你本人的思考和选择。

这位朋友所在的组织也是以对产品经理的要求高而知名的，他也分享了另一个角度：对PRD的高要求，其实天生就会淘汰/打回那些对AI的使用有偏差（不改、不思考、思考浅）的文档，而AI味浓的文档大概率是这样质量低的文档。

当然，还有一种更粗俗的表达方式：给AI付工资就好了，为什么要给你呢。