skills marketplace这种事显然只能由agent公司自己来做，就像很难想象一个抖音之外有一个独立的短视频marketplace一样，只有供给-消费-反馈能闭环才能有working的推荐/匹配系统

现在做一个agent这么简单的情况下，可能会沿着这条路径诞生agent最终的商业模型和产品形态

现在大家都是把skills当成一个完整任务的sop，这其实是一种过度封装，skills应该更原子化，靠模型去自己组合，包括：
1. 一个指导性的workflow/纲领，比如html的ppt怎么画，哪些组件可以用
2. 各种小的heuristics knowhow，比如每种布局的pixel尺寸，echarts的组件怎么布局
3. 个性化的/群体的preference，比如麦肯锡风格的ppt的字体和配色，用户之前喜欢的ppt的例子

这里每一个小点都可以做一个“skill”或者原子化知识，由agent去组合

genspark吊打市面上所有的ppt产品，比dokie高十个gamma

这是我昨天在咸鱼老师的活动上，跟ai口述了半小时然后genspark one shot出来的ppt

从设计风格，到排版，到图表可视化，都远超我的预期

chatbot很难挖掘到用户的知识，但是agent很容易能挖掘到用户的know-how，这是skills上限很高的根本原因

现在所有的ai agent产品都是一对一的工具，也就意味着他们都是“一次性消耗品”，这类产品就和传统的日用快消品一样，除了渠道和品牌之外几乎没有任何壁垒，这俩又是需要时间堆出来的，创业公司很难讲，所以现在vc们才会讲什么“品味”、“执行力”这些虚无缥缈的东西。

传统互联网行业最牛逼的两个壁垒：网络效应和规模经济，现在的ai agent是一样都不沾，最终只能增长越快，亏得越多，陷入死亡螺旋，被大厂收购是最好的结果。

但是有一种方式可以实现：用的人越多，ai agent能力越强（网络效应），用的人越多，单个任务需要的token数越少（规模经济）。这就是我们现在正在做的事。

好的

现在的agent还有个很蠢的问题，全球可能有 1000 个程序员都在用 Claude 解决同一个“React 19 版本兼容性”的问题。他们每个人都花了 30 分钟去调试、去纠正 AI。 这 1000 个人产生的 30,000 分钟的智慧，在解决完问题的那一刻，全部消散了。下一个倒霉蛋进来，还得重新踩坑，小白用户就直接放弃了。

现在的agent只能指望下个版本的模型把相关的知识训进去，我们有一个巧妙的解法可以解决这个问题，这不过这里太短了写不下

proactive agents最大的瓶颈并不是知道用户需要什么/想要什么，这个并不难，难的是agent要知道自己会什么，如果agent主动帮用户做了十个任务，九个都一坨屎，那proactive没有任何意义。

“让agent知道自己能做什么”要比“让agent知道用户想要什么”难十倍，但是我们有个巧妙的解法可以解决这个难题

一旦我们接受llm是cpu，context是memory，那把file system作为long term context就是很顺理成章的事，顺着这个思路，很多传统os/db的久经考验的架构设计都可以照搬过来

llm的记忆系统可能应该用lsm tree去实现