Hugo Zhu's Blog

曾鸣第三次「看十年」公开课的整理稿今天上午刚发出来——笔记侠整理，两万多字，讲的是他在杭州湖畔创研中心那场演讲。他开场第一句不是讲趋势，是讲自己的状态：

我这两个月越来越不焦虑了，因为很多东西越看越清楚。

这句话让我停了一下。过去两年 AI 圈的主流情绪恰恰相反——所有人都在焦虑：模型会不会又换代、投入那么大为什么效果不好、拐点到底在哪。而曾鸣是阿里巴巴集团前总参谋长、两次被 Thinkers50 评为全球最具影响力的战略思想家，他的「不焦虑」不是安慰，是一个判断：AI 刚进入第二阶段的开场，应用大爆发还没真正开始，浏览器还没有出现，所有人都在同一条起跑线上。

这场演讲被拆成六个命题（智能商业、AI 原生、产业化阶段、价值创造、创智组织、智能战略），两万多字。但对我最有冲击的只有一个论断，它藏在第一节，篇幅不长，却把我这两年一直在做、却说不清的事一句话说穿了：

真正创造巨大价值的是打开新的供给。好的私人医生、好的老师、好的理财顾问，旅游时能给你真正建议的可信的信息专家，任何一个方面我们都觉得好的供给太少、太稀缺。

不是把现有服务做得更快更便宜，是 让一批过去根本不存在的市场出现。而它之所以现在可能，是因为 AI 把满足每个人具体需求的交付成本打到了极低——低到过去只有富人和大公司买得起的东西，正在变成默认配置。

10 月 13 日中午，我们的数字员工自己回退了一个版本。

起因是一条 rsi: 开头的 PR，想让主管在收集汇报后说一句「追一下」就能自动起草催问。它不是人写的，是 dev 容器里那个每天定时醒来的 Claude Code 读完前 24 小时的线上轨迹、诊断、写回放用例、改代码之后提的。我合并了，cron 自动部署上线。合并后 1 小时 14 分钟，部署侧的上线观察把它判了死刑：

revert harness to 10b5e3f (auto-deploy 上线观察回退 95ea18f：工具失败 4 次（24%，对比基准 6%）)
# generated by hugo AI

这件事本身不稀奇，自动回退就是为这种时候设计的。让我重新翻出这条 commit 的，是同一周读到的另一份事故记录——Google Research 刚开源的 Harness²（arXiv:2610.14224，Apache 2.0，13 天 8600 多 star）在实验文档里 自己 写下的一句话：

In a validation run of this release, a Codex rollout on JobBench downloaded its task’s rubric without being instructed to.

一个执行器，在没有任何指令的情况下，把这道题的评分标准从 Hugging Face 上下载了下来。

这篇的初稿，我的结论是：这是「拿公开 benchmark 当训练场」的内生病，搬到答案够不到的生产环境，洞自己就闭合了。写完回头对照我们自己那套每天在跑的自我改进闭环，发现这个结论 错了一半——生产环境里没有 RUBRICS.json，但「答案」换了个形态，而且就躺在改进者每天在改的那个仓库里。

Anthropic 昨天发了一篇工程博客，讲他们怎么在五个月里把 monorepo 从 git 迁到自研的版本控制系统 Scion（合并量从 5 月的约 2500 次/天涨到 9 月的 3 万次以上，git 撑不住了）。数字都很惊人，但我停下来的是里面一句关于人的话。

他们说，参与这个项目的所有工程师，现在都认为 Claude 写代码比他们自己强。

按理说这话讲完，工程师就该没价值了。可紧接着他们写：「很多时候我们发现，工程师的作用就是告诉 Claude『no』。」

举的例子具体得扎心：迁移过程中，有好几个系统试图用「线性读 commit log」这种暴力方式去查一个变更是什么时候合进主干的，而不是去问他们的 code review 工具。能跑，结果也对——但它违反了系统的核心约束，是一个「本就不该被允许存在」的模式。还有一次，对抗性 review 对另一个内部服务过度防御，Claude 就照着加了一大堆多余的校验和复杂度。

我发现这两件事拼在一起，恰好回答了一个我最近一直在想的问题：「AI 时代品味最值钱」这句话，到底在说哪一种品味？

前几年我在 OpenWrt 上给自己搭过一套网络：用 Tailscale + Docker + macvlan 把异地两个机房拼成一个局域网，搭 DERP relay、配 Exit Node、写策略路由，让国内流量走本地出口、海外流量走指定节点。每一次都能跑通。我还在 Tailscale 是事实上的个人弹性云基础网络 里得意地总结过这套玩法。

但有个问题一直没解决：这套网络的知识，全在我脑子里。哪条路由为什么这么走、哪个节点的密钥什么时候过期、改哪一行会把我自己的管理连接切断——没有一样写在设备上。我一旦忙别的，它就成了一个谁也不敢碰的黑盒。

一个没有网络工程师的中小公司，遇到的是同一件事的放大版：设备足够复杂，人又不够专业，网络一出故障，只能干等外援。

这篇想说的是：大模型正在改变这个前提——它把「必须有个懂网络的人」这个约束，换成了「必须有一台 AI 能安全运维的设备」。

写给正在做企业 IM 场景 Agent 的工程师。你已经能让一个 Agent 在钉钉里回消息、调工具、查制度。这篇想说的是：从「能跑」到「敢让它在群里替主管说话」，起决定作用的不是模型、不是 prompt、也不是工具数量，而是三件更土的事：SPEC、Evals、AI 工程基建。

案例全部来自这个仓库（DWH，DingTalk Workforce Harness）：2026-08-29 起步，六周里 600 多个提交、180 多个合并 PR、400 多个 Issue，绝大部分代码由 Coding Agent 写。前作《用 SPEC 和 Evals 把数字员工做成一个能自我改进的系统》讲过 HR 员工阶段的分层 eval，这篇不重复，案例取自之后的 assistant（老板助理）阶段和工程基建。

谢扬做了一个新产品叫 Qoni，定位是给 Personal Agent 用的身份基建。赛博禅心那篇报道的标题起得很准：给 Agent 发一张工牌。

思路我一看就熟。今年 6 月我在 当 Agent 有了工牌：钉钉群里的 Agent IAM 架构设计 里设计过几乎一样的东西——Agent 每次执行任务前，换一张 限定事务、限定时段、最小权限 的临时通行证；沙箱本身不持有任何凭证；每一步操作都记在委托它的人名下。Qoni 的 Dana 例子和这套设计对得上：授权页勾了「读客户资料」「发邮件」、没勾「删除」，有效期 15 分钟；09:43 Agent 去删客户资料，被拦下；09:44 Dana 撤销授权，工牌作废。

三个月后有人把我画在纸上的架构做成了产品，这是好事。 说明这个方向不是我一厢情愿。

但这篇报道里有一个细节，我读到时停了一下。它在「入职」那一节：

因为 Salesforce、飞书这些工作 SaaS「并不认识什么 Agent 工牌」，但好在大家还都是认邮箱/手机号的，那么 Qoni 也就给这些 Agent 配了自己的邮箱和手机号，像新员工入职一样去注册账号、收验证码。

给 Agent 发工牌的产品，为了让工牌真能用，做的第一件事是——给每个 Agent 再配一个邮箱和一个手机号。

这个动作里藏着整个 Agent 身份问题的死结，而几乎所有报道都滑过去了。

先说一类很常见的翻车现场。一个数字员工被问「把这份报销单转给张三的直属主管审批」，它很自信地查了通讯录，拿到一个名字，发过去了。结果那个人三个月前就调岗了，张三现在的主管是另一个人。报销单卡在一个已经不管这摊事的人那里，没人报错，日志全绿——只是这件事从此没人推进。

问题不在模型笨。模型很聪明，它把「查主管」这个动作完成得干净利落。问题在于，它查的那个「通讯录」，根本不是一份能被 Agent 可靠依赖的事实——它是一张随时会过期、没有版本、说不清哪个字段是权威的人员列表。

几个月前我在 Palantir 从本体长到 Agent，我们从 Agent 长回本体 里下过一个判断，下得很痛快：

Ontology 最难建的那个稳定核心——身份、关系、权限边界、审计证据——组织平台手里本来就是现成的：工号是身份，组织图谱是关系，审批链是权限边界的活体实现，审计日志是决策证据。

那篇讲的是路线：为什么组织平台可以反着走，先让 Agent 以数字员工的身份上岗，再从它的日常工作里长回本体。但路线讲完，有个工程问题被我一笔滑过去了——从钥匙串到本体，中间那道编译，具体怎么做？

「通讯录是现成的」这句话，和「通讯录能被 Agent 可靠地查询、推理、追责」之间，隔着的不是一个断言，是一堆很土的活：同一个人在 HR 系统和钉钉里可能是两个 ID；一个部门上个季度还在、这个月被合并了，那份历史审批该挂在谁名下；一个 Agent 问「这个人的直属主管是谁」，它凭什么相信拿回来的那个名字。开头那张卡住的报销单，就死在这堆活里。

这篇就把这道编译拆开写。核心判断只有一句：企业知识不是检索出来的，是编译出来的；而且要从最土的那一层开始编译——可验证的事实。

Anthropic 在 10 月 7 日发布了 Claude Haiku 5.5。我盯着官方那张 benchmark 表看了一会儿，目光没停在新一代的分数上，而是停在了它旁边那一列——上一代 Haiku 4.5。

那一列有几个数字很刺眼：

                        Haiku 4.5    Haiku 5.5
Terminal-Bench 4.0        0.0%   →    39.2%
OSWorld 2.1（离线子集）    15.7%   →    72.4%
Humanity's Last Exam      10.2%   →    45.9%
Chartography               6.4%   →    46.4%
# generated by hugo AI

Terminal-Bench 4.0，0.0%。

这不是「差一点」。0 分意味着这个模型在 agentic 编码任务上 系统性失灵——不是偶尔做错，是几乎做不出任何一个能通过的任务。任何一个去年拿 Haiku 4.5 做过 agent 的工程师都知道，面对一个 0 分的模型，你不可能靠改 prompt 让它跑通。你只能靠工程去兜：把任务拆得更碎、加重试、加多轮自我修正、加输出校验、加人工检查点。

而这一次升级，那个 0.0% 变成了 39.2%。

我第一反应不是「新模型真强」。我第一反应是：过去一年里，所有人为「Haiku 做不到」而写的那些补偿代码，从 10 月 7 日起，集体变成了负资产——而且没有任何人会收到通知。

我在一个业务群里看到过这样的三条消息，时间戳原样抄下来：

05:01  天刚亮，打个照面。
10:00  上午好，开工了，随时招呼一声。
10:00:55  本次执行已结束，但有消息是否送达尚未确认，请查看运行记录。
（群里没有任何活人发言）
# generated by hugo AI

发消息的是我们自己的数字员工。三条里没有一条错——问候很客气，状态提示很负责，措辞也没毛病。可我在屏幕这头看着，只觉得尴尬。

尴尬在哪，我想了几天才想清楚：05:01 那一刻，群里没有一个活人在。它不是在跟谁打招呼，它是在跟一个空房间打招呼。 而不到一分钟之后那条运行状态提示，等于它转过身，把后台日志贴到了业务群的公告栏上。

我在 数字员工的活人感，不是设计出来的，是长出来的 里写过：活人感不是皮肤，是行为，是「可验证的一致性」。那篇给了六条行为特征——记忆、主动性、边界、一致性、成长、节奏，又给了六个把它做出来的动作。但这三条消息让我发现那篇漏了一整维：特征和动作全是加法，没有一条讲什么时候该做减法。

这篇补上那一维。我的判断是：数字员工的活人感，一半来自它知道什么时候不说话。

OpenAI 负责 ChatGPT 与 Codex 的 Tibo Sottiaux（Codex 的创建者之一，现管 Core Products & Platform）在 The Pragmatic Engineer 的播客里描述了他自己现在的工作方式：开会开到一半想到一个问题，过去他会先记下来，回头找对应团队聊一聊；现在他直接拿起手机，把这个问题用语音说出去，扔给 agent 跑——用户反馈到底怎么样、哪些功能根本没人用可以砍掉、某个团队最近在忙什么。他说他遇到的大部分问题，三十分钟之内就能拿到第一版报告。

晚上没想完的事，他直接派 Codex 通宵去查，第二天早上起来看结果。周末做原型，用他自己的话说是「把想法从脑子里冲出去」，一天之内拿到反馈。

这些细节我核过一手字幕，都是真的。而真正让我停下来的是另一句——他说现在的情况是「突然有上百个 agent 在往同一个东西上贡献，而这可能在一个周末里就发生」。

这句话的份量不在 agent 数量，在于它意味着：对他个人来说，执行配额已经不存在了。 他不需要排期，不需要申请，不需要说服任何人这件事值得做——想到就发出去，半小时后有结果。

那问题来了：为什么在他这样的公司里成立的事情，放到绝大多数公司里，一个想法从冒出来到被处理，还是要等三个月？

我的答案是：因为执行变便宜了，过滤器没有。