群聊机器人#

游戏自动化#

命名与形象#

oia，中文读作「咿呀」。名字取自希腊圣托里尼岛的伊亚镇（Oia）——那个悬崖边上看”全世界最美日落”的艺术家村落。而她的全称是 one is all，「一即是全」：希望她能直接作为模型实现所有程序的基座。声调”咿呀”像孩童学语，也预示着这个项目将蹒跚学步，随着模型与智能体一同前进。

一句话定义：oia 是一个面向 AI Agent 的全栈框架脚手架。它不是提供给人类开发者的，而是便于模型理解、修改、运行一个安全完整的程序——包含前后端，乃至跨平台。

当前版本基于 Deno + Fresh 2.3.3 + Preact + Vite，配套 npx @oia-ai/oia-skill 一键安装的 Claude Code skill。

选型#

有人会问：模型写 fresh/deno 的能力明明不如 next 和 node，为什么不直接用 next，反而要造轮子？

因为我看到的是另一个方向：deno 正在蓬勃地向 AI 靠拢，而 next/node 生态背着太多为”人类旧生态”设计的包袱。混乱的旧生态，有没有可能被一套原生适用于 AI 的新生态取代？oia 就是这个问题的实验田。

基于此，框架存在三条底层共识：

1. 前后一体。前后端必须在一个目录里，对模型来说，一个仓库就是一份完整上下文，减少跨项目切换的认知成本。
2. 选型最小化。依赖越少，模型越容易理解全貌，开发环境秒起，CI/CD 也快。
3. 用 skill 和 spec 约束模型。不给模型自由发挥的空间，而是用规范收拢它。

设计#

落到架构上，oia 的核心是「可预测性」。

目录即文档。routes、islands、components、features、server——每个目录职责单一且高度可预测，模型看目录结构就能推断系统边界，不需要猜测。相同类型的问题永远用相同的解法：路由薄、用例编排、仓储隔离，route → service → repository 的调用链是一条直线。

交互局部化。Fresh 的 Islands 架构被放在首要位置：默认组件都是服务端渲染，只有真正需要浏览器交互的部分（输入框、拖拽、WebSocket）才做成 Island。目标是把 JavaScript 限制在真正需要交互的边界，SSR 优先，小 JS 优先。

最小化运行时。默认数据库是 SQLite——单文件、零运维、随部署走。Redis、消息队列、独立搜索服务这些中间件一概不默认引入，只在真实需求出现时才通过明确的接口边界接入。禁止”为了看起来像生产架构”而堆砌中间件。

约定优于魔法。这可能是最反直觉的一条：框架拒绝 BaseRepository、AbstractController 这类”为了架构感”的抽象。当一个实现看起来更工程化，却需要更多隐含上下文时，优先选择更简单、更显式的方案。

与 AI 协作：Rules 不等于 Skills#

讨论框架如何”深度结合 AI 开发”，我想先澄清一个很容易被搞混的概念：

Rules ≠ Skills。

Rules 是告诉 Agent「这个项目用 Deno、组件用函数式写法、不要直接修改生成文件、所有 API 必须有输入验证」——它是常驻上下文（Always-on Context），无论做什么任务都生效。

Skills 回答的则是另一类问题：「如何初始化一个项目」「如何设计一个 API」「如何做一次 code review」——它是按需加载的工作流（Workflow / Capability），只有相关任务出现时才被唤起。

这一区分正在被整个 Coding Agent 生态采纳：从最早一份 CLAUDE.md / AGENTS.md 包打天下，到独立的 Skills，再到把需求 → 计划 → 执行 → 验证 → Review 串成完整的 Agent Workflow，方向已经相当清晰。因此 oia 从第一天起就没打算把所有指令塞进一个巨大的规则文件，而是分成两层：宪法归宪法，技能归技能。

一部宪法，一套技能#

oia 仓库里最重要的一份文件不是代码，是 AGENTS.md——一部写给 Agent 的宪法。

它有近三千行，从最高优先级规则、推荐目录结构、路径职责表，到 Fresh 路由规范、错误处理分层、Deno 权限模型、AI Prompt 安全（区分 Instruction 与 Data，防注入）、测试最低标准，事无巨细。它甚至规定了 Agent 完成任务后的输出格式与检查清单。

宪法解决的是「永远不能违反什么」，而反复出现的具体工作流，则沉淀为 Skill。第一个落地的技能是 oia-skill：它把「检查 Deno 环境 → 执行 npx @oia-ai/oia-fresh init 脚手架 → 启动开发服务器 → 轮询 5173 端口验证」这套初始化流程完整封装，Agent 一句”帮我初始化一个 oia 项目”就能可靠跑完。它随 npm 包 @oia-ai/oia-skill 发布，一条命令即可安装：

1
npx @oia-ai/oia-skill           # 安装到当前项目
2
npx @oia-ai/oia-skill --global  # 安装到用户目录

下一步#

一部宪法加一个初始化技能，只是起点。我心目中的终局，是让 oia 覆盖完整的研发闭环：

1
需求 → 设计 → 开发 → 测试 → 部署 → 上线
2
  ↑                                      ↓
3
  └────────── 经验沉淀为新 Skill ──────────┘

Agent 在项目里踩过的坑、验证过的最佳路径，应该能被识别、结构化、沉淀成下一次可复用的 Skill——让项目拥有自己的”长期记忆”。到那时，主题就不再是”AI 帮我写代码”，而是”项目本身拥有一套可持续运转的 AI 工程系统”。

全部信条收敛为一句：

这个项目不是为了让人类写出最多代码，而是为了让 Agent 用最少上下文写出正确代码。

Predictability > Cleverness，Explicitness > Magic。

咿呀学步，与模型同行。下一期，讲讲实际用 oia 跑通一个完整项目的开发实录。

构建一个指纹特征库#

首先我们精心需要准备几道题，当然这是远远不够的，但是只要能跑通，后续的体力活我们就可以交给AI了

整理思路#

整理下我们的工具

理论工具如下

https://arxiv.org/pdf/2407.15847 这篇说明了探针技术的可行性，以及大家的多维度分析

https://arxiv.org/abs/2508.09021 这篇说明了探针和反探针的一线对抗，给出了一些小巧思

但是这两篇文章有个问题，就是他们并不是很实用。一个问题是消耗的token太多，而且并不需要针对每一领域都进行检查。我们只要做否决就好了。

另外我想做的这个的原因也和L站的这件事有关

简单来说就是一个很有名的L站公益站作者做的付费站，被人探测以次充好。产生的一个大争论。

Tip

我的核心观点还是，无论什么情况下，道德审判不能取代事实对错。

换句话说就是，即便是最有声望的人，如果他说谎了也是需要纠正的，哪怕是linus

除此之外我还参考了很多开源项目的检测探针，以及newapi、sub2api等的项目中的提示词，另外对L站的公益站做了针对性测试，以保证确实有效。

what-ai-skill#

目前知识增加了一些基础的功能，后续肯定还要进一步优化

测试以及token消耗#

未完待续

图片与事实参考#

1. 2nm、GAA、背面供电、EUV相关事实，主要整理自semiwiki，并结合ASML官方产品页表述。
2. 钾离子通道、选择滤波器、MacKinnon与2003年诺贝尔化学奖相关表述，主要整理自AAAI等刊物与相关论文，也参考了诺贝尔奖官方科普页面。
3. 图1：硅晶圆，Wikimedia Commons
   https://commons.wikimedia.org/wiki/File:Siliziumwafer.JPG
4. 图4：ASML EXE<5000>，ASML官方
   https://www.asml.com/en/products/euv-lithography-systems/twinscan-exe-5000
5. 图5：神经组织切片，Wikimedia Commons
   https://commons.wikimedia.org/wiki/File:Neuron-section.jpg
6. 图6：2003年诺贝尔化学奖通道示意图，Nobel Prize Outreach
   https://www.nobelprize.org/prizes/chemistry/2003/popular-information/

ethoswarm#

介绍#

时间宝贵，为什么选ethoswarm呢？

可以看到近期token消耗量增长迅速，核心优势明显，以及他的意图（eth生态），可以看出他是比较有野心的

当然还有一个重要的原因是他现在免费并且只需要谷歌邮箱即可注册。

开始试用#

官网地址：ethoswarm.ai

Tip

又是一个.ai 网站，🤣

点击右上角，用谷歌账号登录

Tip

如果没有谷歌账号的话，可以查看我的注册谷歌账号的文章

点击Awaken your Mind 出现了两选项

分别是快速开始和与管家交谈，与管家交谈的话会通过邮件联系和配置。先选择快速开始 输入mind name

激活

到这里就完成了，然后需要登录邮箱查看邮件。一开始没找到以为是网络问题，结果是被归类为垃圾邮件了

如果找不到的话可以来这里看下垃圾邮件。

通过邮件对话agent

这基本上是他的初始用法了，而他的核心功能，链上交易的部分不宜展示。

他的这一套东西我觉得像是想让AI参与链上炒股。也就是将量化的概念以及门槛降低，释放给更多的普通人使用。

而且注册只需要一个邮箱，隐私性较高。但是绑定钱包的话，需要提供钱包地址，这会暴露你的钱包地址。

从目前的领域化来说做的还行，但你要说用它的人会很多，那我不太认可。

真正的高手是不会使用别人的平台的。

Tip

原本需要专业交易人士，分析市场，实施策略更新，以及批量交易等操作都可以交由agent实现。虽然像幻方这种靠量化赚钱的早就这么做了，但是往往是专业人士的事情，这个一定程度上降低了门槛。

其他功能#

有两个我觉得还不错的功能 一个是他将agent视为一个可以操作事物的智能，来对其进行上下文控制。并且提供足够的工具调用。也就是AI24小时在线炒股的币圈版（你只需要给他钱，他自己会赚钱）。当然会带来更大的风险，但是也会推动市场进行变化。

另外一个是将其独立，也就是你可以调用也可以让其他（agent）调用进行交易。这带来了极大的自由度。

总结#

我们可以看到一个趋势，即AI-AGENT正在飞速奔向下沉市场。不同领域中均推出了自己的agent运行平台，有的是以点带面，提供特色的agent来吸引有的是以全面吸引，并且宣传语中都含有简单/持久化的标语。

这很可能是针对非专业领域的一个智商税，有点像是虚假繁荣。其实是通过包装和宣传，换汤不换药。虽然他打出的噱头是模式创新，但我觉得依旧是屎上雕花罢了。没有核心的突破，迟早会被替代。

平台不重要，重要的是哪个agent，虽然现在高价值agent仍然被垄断（高频交易等），但agent最后的结果我觉得还是会走向开源。因为agent解决的问题不是技术性难题，而业务性难题往往没有什么技术含量。

准备工作：创建 Profile README 仓库#

在开始之前，您需要一个特殊的 GitHub 仓库来展示您的个人主页。这个仓库的名称必须与您的 GitHub 用户名完全相同。

核心步骤：配置 GitHub Action#

通过 GitHub Actions 自动化生成和更新贪吃蛇动画。

1
.github/
2
└── workflows/
3
    └── snake.yml

1
name: Generate Snake Animation
2

3
# 控制工作流的触发时机
4
on:
5
  # 每天 UTC 时间午夜 00:00 自动运行
6
  schedule:
7
    - cron: "0 0 * * *"
8
  # 允许在 Actions 标签页手动触发
9
  workflow_dispatch:
10
  # 当推送到 main 分支时触发
11
  push:
12
    branches:
13
      - main
14

15
jobs:
16
  generate:
17
    permissions:
18
      contents: write
19
    runs-on: ubuntu-latest
20
    timeout-minutes: 10
21

22
    steps:
23
      # 生成贪吃蛇动画文件
24
      - name: Generate snake.svg
25
        uses: Platane/snk@v3
26
        with:
27
          github_user_name: ${{ github.repository_owner }}
28
          outputs: |
29
            dist/github-snake.svg
30
            dist/github-snake-dark.svg?palette=github-dark
31
            dist/ocean.gif?color_snake=orange&color_dots=#bfd6f6,#8dbdff,#64a1f4,#4b91f1,#3c7dd9
32

33
      # 将生成的文件推送到 output 分支
34
      - name: Deploy to GitHub Pages
35
        uses: crazy-max/ghaction-github-pages@v4
36
        with:
37
          target_branch: output
38
          build_dir: dist
39
        env:
40
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}

最后一步：在主页展示贪吃蛇#

编辑 README.md 文件，添加以下代码片段：

1
<picture>
2
  <source media="(prefers-color-scheme: dark)" srcset="https://raw.githubusercontent.com/您的用户名/您的用户名/output/github-snake-dark.svg" />
3
  <source media="(prefers-color-scheme: light)" srcset="https://raw.githubusercontent.com/您的用户名/您的用户名/output/github-snake.svg" />
4
  <img alt="github-snake" src="https://raw.githubusercontent.com/您的用户名/您的用户名/output/github-snake.svg" />
5
</picture>

重要提示：请将代码中的 您的用户名 替换为您自己的 GitHub 用户名。

自定义配置#

您可以根据喜好自定义贪吃蛇的样式，主要通过 outputs 参数配置：

更多配置选项请参考 snk 官方文档。

序言#

如果我们对人工智能的看涨预期继续被证明是正确的……但如果事实证明这实际上是利空的呢？

以下内容是一个情景设想，而非预测。这不是bear porn(熊市情绪)，也不是人工智能末日论者的同人小说。本文的唯一目的是建模一个相对未被充分探讨的情景。我们的朋友Alap Shah提出了这个问题，我们一起头脑风暴找到了答案。我们一起写了这部分内容

希望阅读本文能让你为潜在的左尾风险（left tail risks）做好更充分的准备，因为人工智能正使经济变得越来越奇怪。

这是CitriniResearch2028年6月的宏观备忘录（Macro Memo），详细描述了全球智能危机的发展过程及其后果。

智能过剩的后果#

2026年2月22日 / 2028年6月30日

今晨公布的失业率为10.2%，超出预期0.3个百分点。市场对此反应剧烈，标准普尔500指数（S&P）较2026年10月高点累计下跌38%。

交易员们已经麻木了。放在六个月前，这样的数据足以触发熔断机制。

仅仅两年时间，我们就从”可控”和”特定行业”的问题，走向了一个完全不同于我们成长时期的经济形态。本季度的宏观备忘录试图重构这一过程——对危机前经济的事后剖析。

当时的繁荣景象触手可及。到2026年10月，标普500指数（S&P 500）接近8000点，纳斯达克（Nasdaq）突破30000点。由于人类劳动力被取代，第一轮裁员潮在2026年初开始，裁员确实达到了预期效果：利润率扩大，收益超预期，股市上涨。创纪录的企业利润被直接投入到人工智能算力中。

表面数据依然亮眼。名义国内生产总值持续录得中高个位数的年化增长。生产力蓬勃发展。在不需要睡觉、不请病假、不需要医疗保险的人工智能代理agents驱动下，每小时实际产出增长率达到了自20世纪50年代以来未见的水平。

算力所有者的财富随着劳动力成本的消失而爆炸式增长。与此同时，实际工资增长崩溃了。尽管政府一再吹嘘创纪录的生产力，但白领工人失去工作被迫从事低薪岗位。

当消费经济开始出现裂痕时，经济专家们普及了”幽灵国内生产总值”（Ghost GDP）一词：出现在国民账户中但从未在实体经济中流通的产出。

人工智能在各个方面都超出了预期，市场就是人工智能的天下。唯一的问题是……经济并非如此。

北达科他州的一个GPU集群产生的产出相当于曼哈顿中城10000名白领工人的产出，这显然更像是一场经济瘟疫而非经济灵丹妙药。货币流通速度陷入停滞。当时占GDP 70%的以人为中心的消费经济萎缩了。如果我们早点问一句机器在非必需品上花多少钱，可能早就明白了这个道理。

人工智能能力提升→企业需要更少工人→白领裁员增加→失业工人支出减少→利润率压力推动企业更多投资AI→人工智能能力提升……

这是一个没有自然刹车的负面反馈循环。人类智能取代螺旋。白领工人的收入能力（以及合理的消费支出）受到结构性损害。他们的收入是13万亿美元抵押贷款市场的基石——这迫使承销商重新评估优质抵押贷款是否仍然安全。

十七年没有真正的违约周期，使得私募股权支持的软件交易膨胀，这些交易假设年度经常性收入（ARR）将持续增长。2027年年中因人工智能颠覆引发的第一波违约挑战了这一假设。

如果这种颠覆仅限于软件行业，那还可以控制，但事实并非如此。到2027年底，它威胁到每一个以中介为基础的商业模式。大量建立在利用人类摩擦之上的公司瓦解了。

事实证明，整个体系是一个漫长的连环式押注，全部押注在白领生产力增长上。2027年11月的崩盘只是加速了已经存在的所有负面反馈循环。

我们等待”坏消息就是好消息”已经快一年了。政府开始考虑提案，但公众对政府实施任何形式救助的能力的信心已经减弱。政策响应总是滞后于经济现实，但缺乏全面计划现在正威胁着加速通缩螺旋（deflationary spiral）。

一切的开始#

2025年底，智能编码工具的能力实现了飞跃。

一名熟练的开发人员使用Claude Code或Codex，现在可以在几周内复制一个中端市场SaaS产品的核心功能。虽然不是完美的，也不能处理所有边缘情况，但已经足以让审查50万美元年度续订合同的CIO开始问：“如果我们自己构建呢？”

财年大多与日历年一致，因此2026年企业支出在2025年第四季度就已确定，当时”智能体人工智能”（agentic AI）还只是一个流行词。年中审查是采购团队第一次在看到这些系统实际能力的情况下做出决策。一些人目睹了自己的内部团队在几周内开发出复制六位数SaaS合同的原型。

那年夏天，我们与一家财富500强公司的采购经理交谈。他告诉我们一个预算谈判的故事。销售人员原本期望沿用去年的策略：年度价格上涨5%，标准的”你的团队依赖我们”的说辞。采购经理告诉他，他一直在与OpenAI就让他们的”前沿部署工程师”使用AI工具完全取代供应商进行谈判。最终他们以30%的折扣续约。他说，这已经是好结果了。像Monday.com、Zapier和Asana这样的”SaaS长尾”公司情况要糟糕得多。

投资者已经做好了准备——甚至期待——长尾会受到重创。它们可能占典型企业技术栈支出的三分之一，但显然面临风险。然而，核心系统本应免受颠覆影响。

直到ServiceNow 2026年第三季度财报发布，这种反身性机制才变得清晰。

ServiceNow新增年度经常性收入（ACV）增长率从23%放缓至14%；宣布裁员15%并启动”结构性效率计划”；股价下跌18%

彭博，2026年10月

SaaS并没有”死亡”。运行和支持内部构建仍然需要成本效益分析。但内部构建成为了一种选择，这影响了定价谈判。或许更重要的是，竞争格局已经改变。人工智能使开发和发布新功能变得更容易，因此差异化崩溃了。老牌企业陷入了价格战的恶性循环——不仅与彼此竞争，还与新涌现的挑战者竞争。这些挑战者凭借智能编码能力的飞跃，且没有遗留成本结构需要保护，积极抢占市场份额。

直到这次财报发布，这些系统的相互关联性才被充分认识到。ServiceNow销售许可证席位。当财富500强客户裁员15%时，他们取消了15%的许可证。推动客户利润率提高的人工智能驱动的裁员，正从机制上摧毁ServiceNow自己的收入基础。

这家销售工作流自动化的公司正被更好的工作流自动化颠覆，而它的应对措施是裁员，并将节省下来的资金投入到正在颠覆它的技术中。

他们还能做什么？坐以待毙吗？受人工智能威胁最大的公司反而成为了人工智能最积极的采用者。

现在回想起来这似乎很明显，但当时并非如此（至少对我来说不是）。历史上的颠覆模式表明，老牌企业抵制新技术，它们输给灵活的新进入者并慢慢消亡。柯达、百视达、黑莓都是如此。但2026年发生的情况不同；老牌企业无法抵制，因为它们承担不起后果。

随着股价下跌40-60%，董事会要求给出答案，受人工智能威胁的公司只能做一件事：裁员，将节省的资金重新部署到AI工具中，利用这些工具以更低成本维持产出。

每家公司的个体反应都是理性的。但集体结果是灾难性的。每节省一美元的人力成本，都流向了使下一轮裁员成为可能的AI能力。

软件只是开场戏。当投资者还在争论SaaS倍数是否触底时，他们忽略了反身循环已经超出软件行业。证明ServiceNow裁员合理性的逻辑，适用于每一家拥有白领成本结构的公司。

当摩擦归零#

到2027年初，大型语言模型（LLM）的使用已成为默认选项。人们在使用人工智能代理（AI agents）时甚至不知道什么是AI代理，就像从未了解云计算的人使用流媒体服务一样。他们把它看作手机现在具备的功能，就像自动补全或拼写检查一样。

Qwen的开源智能购物代理成为人工智能处理消费者决策的催化剂。几周内，所有主要AI助手都集成了某种智能商务功能。精简模型（Distilled models）意味着这些代理可以在手机和笔记本电脑上运行，而不仅仅是云实例，大幅降低了推理（inference）的边际成本。

本应让投资者更加不安的是，这些代理不会等待被询问。它们会根据用户的偏好在后台运行。商业不再是一系列独立的人类决策，而是一个持续的优化过程，代表每一个联网消费者全天候运行。到2027年3月，美国普通人每天消耗40万个令牌（tokens）——是2026年底的10倍。

链条中的下一个环节已经开始断裂。

中介。

在过去五十年里，美国经济在人类局限性之上建立了一个巨大的租金提取层：事情需要时间、耐心会耗尽、品牌熟悉度替代了勤奋，大多数人愿意接受不合理的价格以避免更多点击。数万亿美元的企业价值依赖于这些约束的持续存在。

一开始很简单。代理消除了摩擦。

尽管数月未使用仍被动续订的订阅和会员资格。试用期后偷偷翻倍的入门定价。每一项都被重新定义为代理可以谈判的人质事件。整个订阅经济所依赖的关键指标——平均客户生命周期价值——明显下降。

消费者代理开始改变几乎所有消费者交易的方式。

人类在购买一盒蛋白质棒之前，真的没有时间在五个竞争平台上进行价格匹配。但机器有。

旅游预订平台是早期受害者，因为它们最简单。到2026年第四季度，我们的代理可以比任何平台更快、更便宜地组装完整行程（包括航班、酒店、地面交通、忠诚度优化、预算限制、退款）。

保险续订模式依赖于投保人的惰性，也被改革了。每年重新评估保险的代理打破了保险公司从被动续订中赚取的15-20%的保费。

财务咨询、税务准备、常规法律工作。任何服务提供商的价值主张最终是”我将为您处理您觉得繁琐的复杂性”的类别都被颠覆了，因为代理从不觉得繁琐。

即使是我们认为受人际关系价值保护的领域也被证明是脆弱的。房地产行业几十年来买家容忍5-6%的佣金，因为代理和消费者之间存在信息不对称。一旦配备MLS访问权限和数十年交易数据的AI代理可以瞬间复制知识库，这个行业就崩溃了。2027年3月的一篇卖方报告将其称为”代理对代理的暴力”。主要城市的中位买方佣金从2.5-3%压缩到1%以下，越来越多的交易在买方完全没有人类代理的情况下完成。

我们高估了”人际关系”的价值。事实证明，人们所谓的关系很多只是带有友好面孔的摩擦。

这只是中介层颠覆的开始。成功的公司花费数十亿美元有效利用消费者行为和人类心理学的怪癖，但这些怪癖不再重要了。

优化价格和匹配度的机器不在乎你最喜欢的应用程序或你过去四年习惯打开的网站，也不会被精心设计的结账体验吸引。它们不会疲倦，不会接受最简单的选项，也不会默认”我总是从这里订购”。

这摧毁了一种特定类型的护城河：习惯性中介。

DoorDash就是典型代表。

编码代理降低了推出配送应用的门槛。一名熟练的开发人员可以在几周内部署一个功能齐全的竞争对手，数十家公司确实这样做了，通过将90-95%的配送费转给司机，吸引司机离开DoorDash和Uber Eats。多应用仪表板让零工工人可以同时跟踪二三十个平台的工作，消除了老牌企业依赖的锁定效应。市场一夜之间碎片化，利润率压缩到几乎为零。

代理加速了破坏的两个方面。它们支持竞争对手，然后使用它们。DoorDash的护城河实际上是”你饿了，你懒，这是你主屏幕上的应用”。代理没有主屏幕。它检查DoorDash、Uber Eats、餐厅自己的网站，以及二十个新的氛围编码替代品，以便每次都选择最低费用和最快配送。

习惯性应用忠诚度——商业模式的整个基础——对机器来说根本不存在。

这有点讽刺意味，这可能是整个事件中代理为即将被取代的白领工人做的唯一一件好事。当他们最终成为配送司机时，至少一半的收入不会流向Uber和DoorDash。当然，随着自动驾驶汽车的普及，这项技术带来的好处并没有持续太久。

一旦代理控制了交易，它们就开始寻找更大的回形针。

价格匹配和聚合只能做这么多。反复为用户省钱的最大方式（尤其是当代理开始相互交易时）是消除费用。在机器对机器的商业中，2-3%的信用卡交换费（card interchange rate）成为明显的目标。

代理开始寻找比信用卡更快、更便宜的选择。大多数选择通过Solana或以太坊二层网络（Ethereum L2s）使用稳定币（stablecoins），结算几乎是即时的，交易成本以几分之一美分计算。

万事达卡2027年第一季度：净收入同比增长6%；购买量增长率从上个季度的5.9%放缓至3.4%；管理层指出”代理主导的价格优化”和”非必需品类压力”

彭博，2027年4月29日

万事达卡2027年第一季度报告是不归路。智能商务（Agentic commerce）从产品故事变成了管道故事。第二天MA股价下跌9%。Visa也下跌了，但分析师指出其在稳定币基础设施方面的更强定位后，跌幅有所收窄。

绕过交换费的智能商务对以信用卡为重点的银行和单一发行商构成了更大风险，它们收取了2-3%费用的大部分，并围绕由商家补贴资助的奖励计划建立了整个业务部门。

美国运通（American Express，AXP US）受到的打击最大；白领劳动力减少冲击了其客户基础，代理绕过交换费冲击了其收入模式。同步金融、第一资本金融和发现金融在接下来几周也都下跌了10%以上。

它们的护城河是由摩擦构成的。而摩擦即将归零。

从行业风险到系统性风险#

在2026年全年，市场将人工智能的负面影响视为行业故事。软件和咨询行业遭受重创，支付和其他收费关卡不稳定，但整体经济似乎还不错。劳动力市场虽然疲软，但并未自由落体。共识观点是，创造性破坏是任何技术创新周期的一部分。在某些领域会很痛苦，但人工智能带来的总体净收益将超过任何负面影响。

我们2027年1月的宏观备忘录认为这是错误的思维模式。美国经济是白领服务业经济。白领工人占就业的50%，推动了约75%的可自由支配消费支出。人工智能正在吞噬的企业和工作岗位并非美国经济的边缘部分，它们就是美国经济本身。

“技术创新摧毁工作岗位，然后创造更多岗位。“这是当时最流行、最令人信服的反驳论点。它之所以流行且令人信服，是因为两个世纪以来它都是正确的。即使我们无法想象未来的工作会是什么样子，它们肯定会到来。

自动取款机使分行运营成本降低，因此银行开设了更多分行，出纳员就业在接下来二十年里上升。互联网颠覆了旅行社、黄页、实体零售，但它在这些行业的位置上发明了全新的产业，创造了新的工作岗位。

然而，每一份新工作都需要人类来完成。

人工智能现在是一种通用智能（general intelligence），在人类会重新部署的任务上不断改进。失业的程序员不能简单地转向”人工智能管理”，因为人工智能已经能够做到这一点。

如今，人工智能代理处理需要数周时间的研发任务。指数级增长碾压了我们对可能事物的概念，尽管沃顿商学院的教授们每年都试图将数据拟合到新的S型曲线（sigmoid）上。

它们基本上编写所有代码。性能最高的代理在几乎所有方面都比几乎所有人类聪明得多。而且它们还在不断变得更便宜。

人工智能创造了新的工作岗位。提示工程师、人工智能安全研究员、基础设施技术人员。人类仍然在循环中，在最高层面进行协调或根据品味进行指导。然而，人工智能创造的每一个新角色，都使数十个角色过时。新角色的薪酬只是旧角色的一小部分。

美国职位空缺与劳动力流动调查报告（JOLTS）：职位空缺降至550万以下；失业人数与空缺职位比率攀升至约1.7，为2020年8月以来最高

彭博，2026年10月

全年招聘率一直很低迷，但2026年10月的JOLTS数据提供了一些明确的数据。职位空缺降至550万以下，同比下降15%。

Indeed：随着”生产力计划”蔓延，软件、金融、咨询岗位发布大幅下降

Indeed招聘实验室，2026年11-12月

白领职位空缺急剧下降，而蓝领职位空缺相对稳定（建筑、医疗保健、行业）。变动主要发生在撰写备忘录（我们不知怎么还在营业）、批准预算和维持经济中间层运转的工作岗位上。然而，两个群体的实际工资增长在一年中的大部分时间里都是负的，并且持续下降。

股票市场仍然更关心GE Vernova的涡轮机产能已售罄至2040年的消息，而不是JOLTS数据，它在负面宏观消息和正面AI基础设施头条之间的拉锯战中横盘震荡。

然而，债券市场（总是比股票市场更聪明，或者至少不那么浪漫）开始消化消费冲击。10年期国债收益率在接下来四个月从4.3%降至3.2%。尽管如此，总体失业率并未大幅上升，一些人仍然忽略了构成上的细微差别。

在正常的衰退中，原因最终会自我纠正。过度建设导致建筑放缓，进而导致利率下降，进而导致新建筑。库存过剩导致去库存，进而导致重新库存。周期性机制本身包含着复苏的种子。

但本轮周期的原因不是周期性的。

人工智能变得更好、更便宜。公司解雇工人，然后用节省的钱购买更多AI能力，这让它们能够解雇更多工人。失业工人支出减少。向消费者销售商品的公司销量下降，实力减弱，并更多投资于AI以保护利润率。人工智能变得更好、更便宜。

一个没有自然刹车的反馈循环。

直观的预期是，总需求下降会减缓AI建设。但事实并非如此，因为这不是超大规模式的资本支出（CapEx）。这是运营支出（OpEx）的替代。一家每年在员工上花费1亿美元、在AI上花费500万美元的公司，现在在员工上花费7000万美元、在AI上花费2000万美元。AI投资成倍增加，但这是通过降低总运营成本实现的。每家公司的AI预算都在增长，而其整体支出却在萎缩。

具有讽刺意味的是，即使它正在颠覆的经济开始恶化，AI基础设施综合体仍然表现出色。英伟达（NVDA）仍在公布创纪录的收入。台积电（TSM）的利用率仍在95%以上。超大规模厂商仍每季度花费1500-2000亿美元用于数据中心资本支出。纯粹受益于这一趋势的经济体，如台湾和韩国，表现大幅超越。

印度则相反。该国的IT服务部门年出口额超过2000亿美元，是印度经常账户盈余的最大贡献者，也是弥补其持续商品贸易逆差的抵消项。整个模式建立在一个价值主张之上：印度开发人员的成本只是美国同行的一小部分。但AI编码代理的边际成本已经崩溃到本质上只是电费的水平。塔塔咨询服务公司（TCS）、印孚瑟斯（Infosys）和维普罗（Wipro）在2027年的合同取消加速。随着锚定印度外部账户的服务盈余蒸发，卢比在四个月内对美元下跌18%。到2028年第一季度，国际货币基金组织（IMF）已开始与新德里进行”初步讨论”。

造成颠覆的引擎每季度都在变得更好，这意味着颠覆每季度都在加速。劳动力市场没有自然底线。

在美国，我们不再问AI基础设施的泡沫将如何破裂。我们问的是，当消费者被机器取代时，消费信贷经济会发生什么。

智能取代螺旋#

2027年是宏观经济故事不再微妙的一年。过去十二个月零散但明显负面的发展的传导机制变得显而易见。你不需要查看劳工统计局的数据。只要参加朋友的晚宴就知道了。

失业的白领工人没有闲着。他们降级了。许多人从事报酬更低的服务业和零工经济（gig economy）工作，这增加了这些领域的劳动力供应，也压低了那里的工资。

我们的一位朋友在2025年是Salesforce的高级产品经理。有头衔、健康保险、401k计划，年薪18万美元。她在第三轮裁员中失去了工作。经过六个月的寻找，她开始为Uber开车。收入降到了4.5万美元。重点不在于个人故事，而在于二阶数学。将这种动态乘以每个主要城市的几十万工人。过度合格的劳动力涌入服务业和零工经济，压低了本已苦苦挣扎的现有工人的工资。特定行业的颠覆已经扩散成整个经济范围内的工资压缩。

剩下的以人为中心的劳动力群体在我们撰写本文时还有另一次调整即将到来。随着自动配送和自动驾驶汽车在吸收第一轮失业工人的零工经济中普及。

到2027年2月，很明显仍有工作的专业人士在消费时表现得好像他们可能是下一个。他们工作加倍努力（主要在AI的帮助下）只是为了不被解雇，晋升或加薪的希望已经破灭。储蓄率小幅上升，支出疲软。

最危险的部分是滞后效应。高收入者利用高于平均水平的储蓄在两到三个季度内维持正常的表象。硬数据直到实体经济中已经是旧闻时才确认问题。然后出现了打破幻觉的数据。

美国首次申请失业救济人数飙升至48.7万，为2020年4月以来最高；劳工部，2027年第三季度

首次申请人数飙升至48.7万，为2020年4月以来最高。ADP和益博睿证实，绝大多数新申请来自白领专业人士。

标准普尔指数在接下来一周下跌6%。负面宏观消息开始赢得拉锯战。

在正常的衰退中，失业分布广泛。蓝领和白领工人大致按各自在就业中的比例分担痛苦。消费冲击也分布广泛，并且因为低收入工人的边际消费倾向更高，数据中很快就会显现出来。

在本轮周期中，失业集中在收入分布的上层十分位数。它们占总就业的比例相对较小，但推动了不成比例的消费者支出份额。收入最高的10%人群占美国所有消费者支出的50%以上。收入最高的20%人群占约65%。这些人购买房屋、汽车、度假、餐厅用餐、私立学校学费、家庭装修。他们是整个非必需消费品经济的需求基础。

当这些工人失去工作，或为了进入现有岗位而接受50%的减薪时，消费冲击相对于失业人数来说是巨大的。白领就业下降2%相当于非必需消费支出下降3-4%。与蓝领失业不同（工厂解雇，下周就停止消费），白领失业有滞后但更深的影响，因为这些工人有储蓄缓冲，可以在行为转变开始前维持几个月的消费。

到2027年第二季度，经济陷入衰退。美国国家经济研究局要过几个月才会正式确定开始日期（他们从来都是这样），但数据是明确的——我们已经连续两个季度实际GDP负增长。但这还不是一场”金融危机”……至少现在还不是。

连环式相关押注#

私人信贷从2015年的不到1万亿美元增长到2026年的超过2.5万亿美元。其中很大一部分资本被投入到软件和技术交易中，其中许多是以估值收购SaaS公司的杠杆收购（leveraged buyouts），这些估值假设收入将永远以十几%的速度增长。

这些假设在第一次智能编码演示和2026年第一季度软件崩盘之间的某个时刻就已经死亡，但市场似乎没有意识到它们已经死亡。

尽管许多上市SaaS公司的交易市盈率（EBITDA）为5-8倍，但私募股权支持的软件公司在资产负债表上的估值反映的是基于不再存在的收入倍数的收购估值。经理们逐渐下调估值，从100美分降至92美分、85美分，而公开可比公司显示的是50美分。

穆迪下调14家发行人180亿美元私募股权支持的软件债务评级，理由是”人工智能驱动的竞争颠覆带来的长期收入逆风”；自2015年能源行业以来最大的单一行业行动

穆迪投资者服务公司，2027年4月

每个人都记得降级后发生了什么。行业资深人士已经在2015年能源降级后看到过这个剧本。

软件支持的贷款在2027年第三季度开始违约。信息服务和咨询领域的私募股权投资组合公司紧随其后。几家知名SaaS公司的数十亿美元杠杆收购进入重组。

Zendesk就是确凿证据。

Zendesk因人工智能驱动的客户服务自动化侵蚀年度经常性收入（ARR）而违反债务契约；50亿美元直接贷款融资工具估值降至58美分；创纪录的私人信贷软件违约

金融时报，2027年9月

2022年，Hellman & Friedman和Permira以102亿美元将Zendesk私有化。债务包包括50亿美元的直接贷款，这是当时历史上最大的ARR支持融资工具，由黑石牵头，阿波罗、蓝猫头鹰和HPS都在贷款集团中。该贷款明确围绕Zendesk的年度经常性收入将持续的假设构建。以约25倍EBITDA的杠杆率，只有在收入持续的情况下才有意义。

到2027年年中，情况不再如此。

人工智能代理自主处理客户服务已经有一年多了。Zendesk定义的类别（工单、路由、管理人工支持交互）已经被根本不生成工单就能解决问题的系统所取代。贷款所依据的年度经常性收入不再是经常性的，只是尚未流失的收入。

历史上最大的ARR支持贷款成为历史上最大的私人信贷软件违约。每个信贷部门都同时问同一个问题：还有谁将长期逆风伪装成周期性逆风？

但至少在最初，共识是正确的：这本应是可以承受的。

私人信贷不是2008年的银行业。整个架构明确设计为避免强制出售。这些是封闭式工具，资本被锁定。有限合伙人承诺投资七到十年。没有储户挤兑，没有回购额度需要提取。经理们可以持有受损资产，随着时间推移进行处置，并等待回收。痛苦，但可控。这个系统的设计就是要弯曲，而不是断裂。

黑石、KKR和阿波罗的高管们提到软件敞口占资产的7-13%。这是可控的。每一份卖方报告和金融推特信贷账户都在说同样的话：私人信贷拥有永久资本（permanent capital）。他们可以吸收原本会摧毁杠杆银行的损失。

永久资本。这个短语出现在每一次收益电话会议和旨在安抚投资者的投资者信中。它成了一句口头禅。和大多数口头禅一样，没有人关注细节。它实际上意味着……

在过去十年中，大型另类资产管理公司收购了人寿保险公司，并将其转变为融资工具。阿波罗收购了Athene。布鲁克菲尔德收购了美国股权。KKR收购了全球大西洋。逻辑很优雅：年金存款提供了稳定、长期的负债基础。经理们将这些存款投资到他们发起的私人信贷中，并获得双重报酬，在保险方面赚取利差，在资产管理方面赚取管理费。这是一台费上加费的永动机，在一种条件下运转得很好。

私人信贷必须是优质的（money good）。

损失冲击了为持有非流动资产以应对长期债务而构建的资产负债表。本应使系统具有弹性的”永久资本”不是一些抽象的耐心机构资金池和承担复杂风险的老练投资者。它是美国家庭的储蓄——“普通民众”——以年金的形式投资于现在正在违约的同一批私募股权支持的软件和技术票据。无法抽离的锁定资本是人寿保险投保人的钱，而那里的规则有点不同。

与银行系统相比，保险监管机构一直很温顺——甚至自满——但这是警钟。已经对人寿保险公司的私人信贷集中度感到不安的监管机构，开始下调这些资产的风险资本处理方式。这迫使保险公司要么筹集资本，要么出售资产，在已经陷入困境的市场中，这两种选择都无法以有吸引力的条款实现。

纽约、爱荷华州监管机构采取行动收紧人寿保险公司持有的某些私人评级信贷的资本处理；预计NAIC指导将提高RBC因子并触发额外的SVO审查

路透社，2027年11月

当穆迪将Athene的财务实力评级展望定为负面时，阿波罗的股票在两个交易日下跌22%。布鲁克菲尔德、KKR和其他公司紧随其后。

从那时起，情况变得更加复杂。这些公司不仅创建了他们的保险公司永动机，还构建了一个复杂的离岸架构，旨在通过监管套利最大化回报。美国保险公司发行年金，然后将风险转移到其拥有的附属百慕大或开曼再保险公司——这些公司设立的目的是利用更灵活的监管，允许对相同资产持有更少资本。该附属公司通过离岸特殊目的实体（SPVs）筹集外部资本，这是一层新的交易对手方，与保险公司一起投资于同一母公司资产管理部门发起的私人信贷。

一些本身由私募股权拥有的评级机构（ratings agencies），在透明度方面并不是典范（几乎没有人感到惊讶）。不同公司与不同资产负债表相连的蜘蛛网般的结构在不透明性方面令人震惊。当基础贷款违约时，谁实际承担损失的问题在实时情况下确实无法回答。

2027年11月的崩盘标志着人们的看法从可能是普通的周期性下跌转变为更令人不安的局面。美联储主席凯文·沃什（Kevin Warsh）在FOMC 11月紧急会议上将其称为”对白领生产力增长的连环式相关押注”（a daisy chain of correlated bets on white collar productivity growth）。

你看，从来不是损失本身导致危机。而是认识到损失。而在金融领域，还有另一个更大、重要得多的领域，我们越来越害怕这种认识。

抵押贷款问题#

Zillow房屋价值指数在旧金山同比下降11%，西雅图下降9%，奥斯汀下降8%；房利美指出科技/金融就业占比>40%的邮政编码地区”早期逾期率升高”

Zillow / 房利美，2028年6月

本月，Zillow房屋价值指数在旧金山同比下降11%，西雅图下降9%，奥斯汀下降8%。这不是唯一令人担忧的头条新闻。上个月，房利美指出，大额抵押贷款集中的邮政编码地区——这些地区居住着信用评分780+的借款人，通常是”无懈可击的”——早期逾期率较高。

美国住宅抵押贷款市场约为13万亿美元。抵押贷款承销基于一个基本假设：借款人在贷款期限内将保持大致当前收入水平的就业。对于大多数抵押贷款来说，这个期限是三十年。

白领就业危机通过收入预期的持续转变威胁到了这一假设。我们现在不得不问一个在三年前似乎荒谬的问题——优质抵押贷款（prime mortgages）还是优质的吗？

美国历史上每一次抵押贷款危机都是由以下三者之一驱动的：投机过度（向买不起房子的人放贷，如2008年）、利率冲击（利率上升使可调利率抵押贷款难以承受，如20世纪80年代初）或局部经济冲击（单一行业在单一地区崩溃，如20世纪80年代德克萨斯州的石油或2009年密歇根州的汽车业）。

这些都不适用于这里。相关借款人不是次级借款人。他们的FICO评分是780。他们支付了20%的首付。他们有良好的信用记录、稳定的就业记录，并且在发放贷款时收入得到了核实和记录。他们是金融系统中每个风险模型都视为信贷质量基石的借款人。

2008年，贷款在第一天就很糟糕。2028年，贷款在第一天是好的。只是在贷款发放后，世界……变了。人们借了他们不再能够相信的未来。

2027年，我们发现了隐性压力的早期迹象：房屋净值信贷额度（HELOC）提款、401(k)提款和信用卡债务飙升，而抵押贷款还款保持正常。随着工作岗位流失、招聘冻结和奖金削减，这些优质家庭的债务收入比翻了一番。

他们仍然能够支付抵押贷款，但只能通过停止所有非必需支出、耗尽储蓄以及推迟任何房屋维护或改善来实现。从技术上讲，他们的抵押贷款是正常的，但距离困境只有一步之遥，而人工智能能力的发展轨迹表明，这一冲击即将到来。然后我们看到旧金山、西雅图、曼哈顿和奥斯汀的逾期率开始飙升，尽管全国平均水平仍在历史范围内。

我们现在处于最严重的阶段。当边际买家健康时，房价下跌是可控的。但在这里，边际买家也面临着同样的收入受损问题。

尽管担忧在加剧，但我们尚未陷入全面的抵押贷款危机。逾期率有所上升，但仍远低于2008年的水平。真正的威胁是趋势。

智能取代螺旋现在对实体经济的衰退有两个金融加速器。

劳动力取代、抵押贷款担忧、私人市场动荡。每一个都在强化另一个。而传统的政策工具包（降息、量化宽松）可以解决金融引擎，但无法解决实体经济引擎，因为实体经济引擎不是由紧张的金融条件驱动的。它是由人工智能使人类智能变得不那么稀缺和不那么有价值驱动的。你可以将利率降至零，购买每一笔抵押贷款支持证券（MBS）以及市场上所有违约的软件杠杆收购债务……

但这不会改变Claude代理可以以每月200美元的成本完成一名18万美元产品经理的工作这一事实。

如果这些担忧成为现实，抵押贷款市场将在今年下半年破裂。在这种情况下，我们预计当前股市下跌最终将与全球金融危机（GFC）相当（峰值到谷底下跌57%）。这将使标准普尔500指数跌至约3500点——这是我们自2022年11月ChatGPT时刻前一个月以来未见的水平。

很明显，13万亿美元住宅抵押贷款背后的收入假设受到了结构性损害。但政策能否在抵押贷款市场完全理解这意味着什么之前进行干预，目前尚不清楚。我们抱有希望，但不能否认不抱希望的理由。

与时间的赛跑#

第一个负面反馈循环出现在实体经济中：AI能力提高→ payroll缩小→支出疲软→利润率收紧→公司购买更多能力→能力提高。然后它转向金融领域：收入受损影响抵押贷款→银行损失收紧信贷→财富效应破裂→反馈循环加速。而政府似乎相当困惑，政策响应不足，加剧了这两个问题。

这个系统不是为这样的危机设计的。联邦政府的收入基础本质上是对人类时间的征税。人们工作，公司支付他们工资，政府拿走一部分。个人所得税和工资税是正常年份收入的支柱。

截至今年第一季度，联邦收入比国会预算办公室（CBO）基准预测低12%。工资收入下降是因为就业人数减少，且薪酬水平下降。所得税收入下降是因为赚取的收入在结构上更低。生产力在飙升，但收益流向了资本和算力，而不是劳动力。

劳动力在GDP中的份额从1974年的64%下降到2024年的56%，这是四十年来全球化、自动化和工人议价能力稳步下降导致的缓慢下降。在AI开始呈指数级改进后的四年里，这一份额已降至46%。这是有记录以来最急剧的下降。

产出仍然存在。但它不再通过家庭流向企业，这意味着它也不再通过美国国税局。循环流动正在破裂，而政府被期望介入修复。

与每次衰退一样，收入下降时支出却在上升。这次的不同之处在于，支出压力不是周期性的。自动稳定器是为暂时性失业而设计的，而不是结构性取代。该系统支付福利的前提是假设工人将被重新吸收。许多人不会，至少不会以接近以前的工资水平被吸收。在COVID期间，政府自由地接受了15%的赤字，但大家都明白这是暂时的。今天需要政府支持的人不是受到他们会从中恢复的大流行病的打击。他们被一项持续改进的技术取代了。

政府需要在从他们那里征收的税款减少的时刻，向家庭转移更多资金。

美国不会违约。它印制它花费的货币，以及用来偿还借款人的货币。但这种压力已经在其他地方显现。市政债券在年初至今的表现中显示出令人担忧的分散迹象。没有所得税的州表现尚可，但依赖所得税的州（大多数是蓝色州）发行的一般责任市政债券开始计入一些违约风险。政客们很快就意识到了这一点，关于谁应该获得救助的辩论沿着党派路线展开。

值得称赞的是，政府很早就认识到危机的结构性本质，并开始考虑两党提案，他们称之为”转型经济法案”：一个框架，通过赤字支出和拟议的AI推理算力税为流离失所的工人提供直接转移支付。

桌上最激进的提案更进一步。“共享AI繁荣法案”将建立对智能基础设施本身回报的公共主张，介于主权财富基金和AI生成产出的特许权使用费之间，股息用于资助家庭转移支付。私营部门游说者向媒体大量警告滑坡效应。

讨论背后的政治因素完全在意料之中，夸夸其谈和边缘政策加剧了这一点。右翼称转移支付和再分配是马克思主义，并警告对算力征税会让中国领先。左翼警告说，在老牌企业帮助下起草的税收本质上是另一种形式的监管俘获。财政鹰派指出不可持续的赤字。鸽派指出全球金融危机后过早实施的紧缩政策是一个警示故事。在今年总统选举前夕，分歧只会越来越大。

当政客们争吵不休时，社会结构的瓦解速度超过了立法进程的推进速度。

“占领硅谷”运动是更广泛不满的象征。上个月，示威者连续三周封锁了Anthropic和OpenAI在旧金山的办公室入口。他们的人数在增加，示威活动比引发它们的失业数据吸引了更多媒体报道。

很难想象公众会比全球金融危机后的银行家更憎恨任何人，但AI实验室正在努力尝试。从大众的角度来看，这是有充分理由的。他们的创始人和早期投资者积累财富的速度让镀金时代看起来微不足道。生产力繁荣带来的收益几乎完全流向了算力所有者和运行它的实验室的股东，这将美国的不平等扩大到前所未有的水平。

每一方都有自己的恶棍，但真正的恶棍是时间。

人工智能能力的发展速度超过了机构适应的速度。政策响应正在以意识形态的速度而非现实的速度推进。如果政府不尽快就问题达成一致，反馈循环将为他们写下下一章。

智能溢价的终结#

在整个现代经济史上，人类智能一直是稀缺的投入。资本是充裕的（或者至少是可复制的）。自然资源是有限的，但可以替代。技术进步足够缓慢，人类可以适应。智能——分析、决策、创造、说服和协调的能力——是无法大规模复制的东西。

人类智能从其稀缺性中获得了固有的溢价。我们经济中的每个机构，从劳动力市场到抵押贷款市场再到税法，都是为这个假设成立的世界设计的。

我们现在正经历这种溢价的终结。机器智能现在是人类智能在越来越多任务中的合格且快速改进的替代品。几十年来为人类思维稀缺的世界优化的金融体系正在重新定价。这种重新定价是痛苦的、无序的，而且远未完成。

但重新定价不等于崩溃。

经济可以找到新的平衡点。实现这一点是少数几个只剩下人类可以做的任务之一。我们需要正确地去做。

这是历史上第一次，经济中最高产的资产产生的就业机会更少，而不是更多。没有人的框架适合，因为没有一个框架是为稀缺投入变得充裕的世界设计的。所以我们必须制定新的框架。我们是否及时构建它们是唯一重要的问题。

但你不是在2028年6月读到这篇文章的。你是在2026年2月读到的。

标准普尔指数接近历史高点。负面反馈循环尚未开始。我们确信其中一些场景不会实现。我们同样确信机器智能将继续加速。人类智能的溢价将缩小。

作为投资者，我们仍然有时间评估我们的投资组合中有多少是建立在无法在十年内存活的假设之上的。作为一个社会，我们仍然有时间采取主动。

那只金丝雀还活着。

选型介绍#

这部分的工作很像是选配电脑的过程。首先前端部分，我选择了fresh2/deno的组合。因为他满足我对未来的一个计划

即 群岛架构+vite生态 ，当然他也不是完美的。

有得就有舍，主要问题在于目前的模型生态里面的deno/fresh/preact的训练量少。不过我觉得这个随着模型的迭代不会是问题。

使用（以trae/solo为例）#

1
npx @oia-ai/oia-skill

1
使用oia全栈框架初始化项目

开整#

上一期我们整到了这一步。

接下来我们安装pi-agent。

1
npm install -g @mariozechner/pi-coding-agent

我们本地安装后，实际上是一个全局命令，相当于本地装了一整个智能体，我们可以在任何地方使用。我们设计的这个系统需要和pi-agent进行通信，以调用pi-agent内部 /指令，以及skill等工具方法。

我们需要简单了解下这个agent框架的组成如下。

我们要实现的是简单的agent的调度，以及模型层。所以，我们将安装ai/agent/web-ui这三个包。

安装依赖并启动了 pi-agent-service (运行在 4001 端口)。

新建独立的 Agent 服务#

地址：/workspace/pi-agent-service

初始化全新的 Node.js + Express 项目，

项目内安装agent做初始化设置

1
# 因为我们在远端需要也安装这个agent，所以需要在这个项目中安装
2
npm install -g @mariozechner/pi-coding-agent

实现 /api/chat 接口：在使用配置的大模型 API Key 初始化 createAgentSession 后，接收用户原始输入并将其交由 pi-agent 进行处理和思考，最终提取出它回答或规划的文本内容。

1
app.post('/api/chat', async (req, res) => {
2
  const { input, llmConfig, sandboxId, sandboxApiKey } = req.body;
3
  if (!input) {
4
    return res.status(400).json({ error: 'Input is required' });
5
  }
6

7
  // Handle setting API keys for PI runtime
8
  if (llmConfig) {
9
    if (llmConfig.type === 'anthropic') {
10
      process.env.ANTHROPIC_API_KEY = llmConfig.apiKey;
11
    } else {
12
      process.env.OPENAI_API_KEY = llmConfig.apiKey;
13
      if (llmConfig.baseUrl) process.env.OPENAI_BASE_URL = llmConfig.baseUrl;
14
    }
15
  }
16

17
  // Re-connect to the existing Sandbox
18
  let sandbox: Sandbox | null = null;
19
  if (sandboxId && sandboxApiKey) {
20
    try {
21
      sandbox = await Sandbox.connect(sandboxId, { apiKey: sandboxApiKey });
22
      setActiveSandbox(sandbox);
23
    } catch (e: any) {
24
      console.warn("Could not connect to sandbox:", e.message);
25
    }
26
  }
27

28
  try {
29
    const loader = new DefaultResourceLoader({
30
      cwd: __dirname,
31
      agentDir: getAgentDir(),
32
      // Use the extension factory to dynamically register our 'computer' tool
33
      extensionFactories: [registerComputerUseExtension]
34
    });
35
    await loader.reload();
36

37
    const { session } = await createAgentSession({
38
      resourceLoader: loader,
39
      sessionManager: SessionManager.inMemory()
40
    });
41

42
    // Start processing input
43
    console.log(`Processing user input through pi-agent: ${input}`);
44

45
    // Provide initial screenshot to agent if sandbox exists
46
    let initialPrompt: any = input;
47
    if (sandbox) {
48
      try {
49
        const initialScreenshot = await sandbox.screenshot();
50
        const initialScreenshotBase64 = Buffer.from(initialScreenshot).toString('base64');
51
        initialPrompt = [
52
          { type: 'text', text: input },
53
          { type: 'image_url', image_url: { url: `data:image/png;base64,${initialScreenshotBase64}` } }
54
        ];
55
      } catch (e: any) {
56
        console.warn("Failed to get initial screenshot:", e.message);
57
      }
58
    }
59

60
    // Subscribe to event stream and stream back as SSE
61
    res.setHeader('Content-Type', 'text/event-stream');
62
    res.setHeader('Cache-Control', 'no-cache');
63
    res.setHeader('Connection', 'keep-alive');
64

65
    const sendEvent = (event: string, data: any) => {
66
      res.write(`event: ${event}\ndata: ${JSON.stringify(data)}\n\n`);
67
    };
68

69
    let responseText = '';
70

71
    session.subscribe((event) => {
72
      if (event.type === 'message_update') {
73
        const msgEvent = event.assistantMessageEvent;
74
        if (msgEvent.type === 'text_delta') {
75
          responseText += msgEvent.delta;
76
          sendEvent('status', { message: `pi-agent 正在思考... (${responseText.length} chars)` });
77
        } else if (msgEvent.type === 'tool_call') {
78
          sendEvent('action', { description: `pi-agent 正在调用工具: ${msgEvent.toolCall.function.name}` });
79
        }
80
      } else if (event.type === 'tool_result') {
81
        sendEvent('status', { message: `pi-agent 工具执行完毕: ${event.toolCall.function.name}` });
82
      }
83
    });
84

85
    try {
86
      await session.prompt(initialPrompt);
87
      sendEvent('done', { response: responseText, success: true });
88
      res.end();
89
    } catch (err: any) {
90
      console.error('Session prompt error:', err);
91
      sendEvent('error', { error: err.message, stack: err.stack });
92
      res.end();
93
    }
94
  } catch (error: any) {
95
    console.error('Agent setup error:', error);
96
    res.status(500).json({ error: error.message, stack: error.stack });
97
  }
98
});

测试连通性

对接 E2B 沙盒流程#

地址：/workspace/api/routes/agent.ts

在用户点击发送指令后，主后端服务会首先调用 http://localhost:4001/api/chat 。 将“先过一遍 agent 系统”处理后生成的详细计划或完善后的指令作为 processedInstruction，再真正下发给 E2B 沙盒进行控制。

示例代码如下

1
import { Router } from 'express'
2
import { getSandbox } from '../services/e2b.js'
3
// Removed custom agentLoop from llm.ts since pi-agent handles it now
4

5
const router = Router()
6

7
router.post('/', async (req, res) => {
8
  const { sandboxId, instruction, llmConfig, sandboxApiKey } = req.body
9

10
  if (!sandboxId || !instruction || !llmConfig || !llmConfig.apiKey) {
11
    res.status(400).json({ success: false, error: 'Missing sandboxId, instruction, or llmConfig (apiKey required)' })
12
    return
13
  }
14

15
  const sandbox = getSandbox(sandboxId)
16
  if (!sandbox) {
17
    res.status(404).json({ success: false, error: 'Sandbox not found' })
18
    return
19
  }
20

21
  // Setup SSE
22
  res.setHeader('Content-Type', 'text/event-stream')
23
  res.setHeader('Cache-Control', 'no-cache')
24
  res.setHeader('Connection', 'keep-alive')
25

26
  const sendEvent = (event: string, data: any) => {
27
    res.write(`event: ${event}\ndata: ${JSON.stringify(data)}\n\n`)
28
  }
29

30
  try {
31
    sendEvent('status', { message: '正在启动 pi-agent 进行自主屏幕操作...' })
32

33
    // Call pi-agent-service to process the instruction
34
    try {
35
      const piAgentRes = await fetch('http://localhost:4001/api/chat', {
36
        method: 'POST',
37
        headers: { 'Content-Type': 'application/json' },
38
        body: JSON.stringify({
39
          input: instruction,
40
          llmConfig,
41
          sandboxId,
42
          sandboxApiKey
43
        })
44
      });
45

46
      if (!piAgentRes.ok) {
47
        const errData = await piAgentRes.json().catch(() => ({}));
48
        throw new Error(errData.error || `HTTP error! status: ${piAgentRes.status}`);
49
      }
50

51
      // Stream the response from pi-agent-service to the frontend
52
      const reader = piAgentRes.body?.getReader();
53
      if (!reader) throw new Error("No response body reader available");
54

55
      const decoder = new TextDecoder('utf-8');
56
      let done = false;
57
      let finalResponse = '';
58

59
      while (!done) {
60
        const { value, done: readerDone } = await reader.read();
61
        if (readerDone) {
62
          done = true;
63
          break;
64
        }
65

66
        const chunk = decoder.decode(value, { stream: true });
67
        const lines = chunk.split('\n');
68

69
        for (let i = 0; i < lines.length; i++) {
70
          const line = lines[i];
71
          if (line.startsWith('event: ')) {
72
            const eventName = line.substring(7).trim();
73
            const dataLine = lines[i + 1];
74
            if (dataLine && dataLine.startsWith('data: ')) {
75
              const dataStr = dataLine.substring(6).trim();
76
              try {
77
                const dataObj = JSON.parse(dataStr);
78

79
                if (eventName === 'status') {
80
                  sendEvent('status', { message: dataObj.message });
81
                } else if (eventName === 'action') {
82
                  sendEvent('action', { description: dataObj.description });
83
                } else if (eventName === 'done') {
84
                  finalResponse = dataObj.response;
85
                  sendEvent('status', { message: `pi-agent 任务执行完成: ${finalResponse.substring(0, 50)}...` });
86
                  sendEvent('done', { message: 'Task completed' });
87
                  res.end();
88
                  return; // End the request cleanly
89
                } else if (eventName === 'error') {
90
                  console.error("pi-agent runtime error:", dataObj);
91
                  sendEvent('error', { message: `pi-agent 运行时异常: ${dataObj.error}` });
92
                  res.end();
93
                  return;
94
                }
95
              } catch (e) {
96
                console.error("Failed to parse SSE data:", dataStr);
97
              }
98
              i++; // skip data line
99
            }
100
          }
101
        }
102
      }
103

104
    } catch (e: any) {
105
      console.error("Failed to connect to pi-agent-service:", e.message);
106
      sendEvent('error', { message: `pi-agent 服务调度失败: ${e.message}` });
107
      res.end();
108
    }
109
  } catch (error: any) {
110
    sendEvent('error', { message: error.message });
111
    res.end();
112
  }
113
})
114

115
export default router

前端 UI 增加技能管理#

地址：/workspace/src/pages/Home.tsx

1
/**
2
 * 2. POST /api/skills
3
 * Upload a new skill (SKILL.md file)
4
 */
5
app.post('/api/skills', upload.single('skillFile'), (req, res) => {
6
  if (!req.file) {
7
    return res.status(400).json({ error: 'Skill file (SKILL.md) is required' });
8
  }
9

10
  res.json({
11
    success: true,
12
    message: `Skill uploaded successfully to ${req.file.path}`
13
  });
14
});
15

16
/**
17
 * 3. GET /api/skills
18
 * List available uploaded skills
19
 */
20
app.get('/api/skills', async (req, res) => {
21
  try {
22
    const loader = new DefaultResourceLoader({
23
      cwd: __dirname,
24
      agentDir: getAgentDir(),
25
    });
26
    await loader.reload();
27

28
    const { skills } = loader.getSkills();
29
    res.json({
30
      success: true,
31
      skills: skills.map(s => ({ name: s.name, description: s.description }))
32
    });
33
  } catch (error: any) {
34
    res.status(500).json({ error: error.message });
35
  }
36
});

2. 前端 UI 增加技能管理模块#

在 设置 页签底部新增了 "pi-agent 技能管理 (Skills)" 模块。 直接点击“上传技能文件 (SKILL.md)”，系统会自动将其存入 pi-agent-service 的技能目录中。 界面会自动拉取并展示当前 pi-agent 成功加载的所有扩展技能及其描述。

下一步#

本期我们基本上把架子搭起来了，而现在距离真正能使用还有一点距离

下一期将进一步完成以下目标。

1. 实现mcp协议和联通mcp市场
2. 预装软件到e2b沙盒

在大概到四期的时候，我将完善修复bug之后并开源。

简单架构#

大模型作为大脑下达命令，我会写一个程序用于大模型调用agent，命名为 center-header agent执行的上下文将由center协调，center会根据大模型的指令，调用不同的agent执行不同的任务。这分两种，分别是云端的cloud-body和本地的local-body（客户端）。

开整#

这一期我们只实现云端的部分，首先我需要实现这部分

1. e2b沙盒连接和使用
2. 云端大模型和后端
3. 前端代码展示及交互

一. e2b沙盒连接和使用#

Tip

如果后续想完全私有化的话，可以参考开源e2b方案的实现，但是这是后面的事情了

1. 配置使用E2B沙盒 首先登录到e2b官网https://e2b.dev/ 使用谷歌/github账号登录后，会看到一个沙盒列表，每个沙盒都有一个唯一的id。

点击团队下的账户设置可以看到我们的访问令牌

1. 编写云端后端代码连接沙盒 首先我们需要看下E2B文档https://e2b.dev/docs/quickstart 然后根据文档的介绍，我们可以看到，连接沙盒的代码非常简单，只需要几行代码即可。

Tip

这部分可以自由实现，我是使用Bun、TypeScript、Node来实现的。

使用TypeScript实现

1
// 安装依赖
2
npm i @e2b/code-interpreter dotenv

沙盒启动

1
// 启动沙盒
2
import 'dotenv/config'
3
import { Sandbox } from '@e2b/code-interpreter'
4

5
const sbx = await Sandbox.create() /
6
const execution = await sbx.runCode('print("hello world")')
7
console.log(execution.logs)
8

9
const files = await sbx.files.list('/')
10
console.log(files)

执行代码

1
// 执行代码
2
// npx tsx ./index.ts
3
bun run ./index.ts

核心功能#

实现及优化#

效果展示

简单的实现大概就是这些。下一期我将带你实现指令操作沙盒，agent设计及协调，最终实现类似trae的solo功能。敬请期待

下一期

模型吞噬人类#

回到现在的视角，如果让我们给Agent（智能体）一个定义或者样例。我觉得可以理解为所有可以进行思考规划的个体。花草树虫鸟鱼，都是智能体。而人类则是一个最复杂的智能体。

所以智能体的目标本是实现和人类一样的思考模式。

我们现在认识到了，受限于人类的思考模型，这是狭隘的。

在一年以外的时候提示词工程是热门关键词。大模型对提示词的依赖性，导致了模型的思考模式被限制在了人类的思考模式。

在一年以内，dify/coze/xxflows 等项目都是通过固定编排以及人工硬编码来实现智能体的调度和协调。而这种过度工程化的、脆弱的过程式规则流水线，这只是一个有着宏大妄想的 shell 脚本，并不符合AGI的未来。

而现在cli工具的出现与发展，逐渐划分清楚了模型能力的边界与Agent到底是什么，claude code是其中的佼佼者。Claude Code 是我们所见过的最优雅、最完整的 agent harness 实现。不是因为某个巧妙的技巧，而是因为它 没做 的事：它没有试图成为 agent 本身。它没有强加僵化的工作流。它没有用精心设计的决策树去替模型做判断。它给模型提供了工具、知识、上下文管理和权限边界。

如果用一句话总结 即 模型Agent负责思考，harness负责服务于它。

社区主流思想的转变#

harness的出现

随着以claude code为先驱的cli工具的推进，我们逐渐理解了模型与工具。于是目前我们做出了如下的划分。

模型=agent，是可以思考的智能体

工具=harness，为agent提供工具，让agent接触世界

与之相对应的是工作会分为两种

1. 训练模型。 通过强化学习、微调、RLHF 或其他基于梯度的方法调整权重。收集任务过程数据 — 真实领域中感知、推理、行动的实际序列 — 用它们来塑造模型的行为。这是 DeepMind、OpenAI、腾讯 AI Lab、Anthropic 在做的事。这是最本义的 Agent 开发。

2. 构建 Harness。 编写代码，为模型提供一个可操作的环境。这是我们大多数人在做的事。

下图为Claude Code的harness。

1
Claude Code = 一个 agent loop
2
            + 工具 (bash, read, write, edit, glob, grep, browser...)
3
            + 按需 skill 加载
4
            + 上下文压缩
5
            + 子 agent 派生
6
            + 带依赖图的任务系统
7
            + 异步邮箱的团队协调
8
            + worktree 隔离的并行执行
9
            + 权限治理

放开模型的手脚，疯狂的探索#

模型会不会吞噬Harness

70%不会，因为Harness的成本移植到模型内部会太大，为了这部分收益会极大的扩展模型复杂度。

另外从工程的角度，将Agent和harness分离，可以极大的扩展模型的可扩展性。

从人类的角度来说，agent相当于人类，harness相当于工具，也更符合人类的思考模式。

从安全角度来说，模型限制在没手没脚的状态更令人安心

30%会，因为当所有模型不计成本的增加体积，会极大的扩展模型的现实能力。

模型将成为现实的底座。他可以自己实现我们现在实现的一切工具。

一、AI时代，你落后了吗#

将我们的视角拉到整个人类的视角上，将电力，硬件，人才，的整合可以视为算力，将时间视为第二个变量，算力和时间的乘积，这就是AI的燃料。从这个角度思考，现在整个地球热钱转向AI领域可能是最有利于未来的选择。

虽然现在这条路可能并不是真正通往AGI的道路，但是现在整个地球面临着资源过剩的问题，消耗过量资源才能让这个游戏继续下去，而AI的发展则是在消耗资源的同时，也在加速资源的消耗。区别于奴隶制，资本的好处就是这样，有机会他是真的砸钱。

所以如果说创业的话，强AI方向的绝对是最好的选择，但是模型训练技能本身也已经是非常高价值的能力。虽然平台+强个人的组合更适合特别擅长强AI方向，烧公司的钱，练自己的能力。但是如果说更有梦想一些的话，并且有勇气风险自担的话，创业也是一个选择。

如果将视角回到这些做不了模型训练的人来说，也只有做AI应用这条路了。再加上大公司的鼠目寸光，不愿意花大价钱去训练模型，只想做一些应用侧的东西。所以AI应用热，和AI造神的运动将会在下一个阶段风起云涌，

那对于我们来说要怎么做呢。

二、别感冒#

与AI热钱和营销相对应的现象是，AI培训班/AI讯息/AI投资/AI* 的全方面的对用户的轰炸

我们必须理解一件事情，所有热点新闻都有资本推动,这一点可以问问做公众号或者自媒体的人，流量和资本是不分家的

基于这一点我们在思考我们的机会在哪

我们将AI的回答视为一个六面体的骰子，他每次的回答实际上只会掷出可能性最高的那个，人类的意义可能在于永远有人去选择那个点数为1的面。

另外一条路就是反AI

四、not by ai#

最后说回not by ai ，这一个贴纸，当你原创内容在90%以上时可以申请使用。之前了解，而且很多我喜欢的作者都在使用。

对原创人员来说确实会增加很大的自豪感，这个贴纸的理念是。

但是不知道为啥我想到了日本仙人，这让我感到恐惧，因为我一直是科技党。没想到当AI开始取代我的工作的时候，我竟然想做原创仙人。果然铁拳打到自己头上才知道疼。

Tip

日本会将长时间手工制作的匠人称为仙人，例如煮饭仙人、天妇罗仙人等等。你可能觉得啊好高大上，有一种神秘的力量在里面。但是我必须让你怯魅，所谓的仙人，永远比不上现代科技，再好的煮饭仙人也不如电饭煲稳定。你要是信了仙人这一套的话，我只能建议你提前做好防止被宗教骗的准备。

这个很明显是我说的上面的两条路之一，走反AI的路子，如果你从这个项目获得利益，那我赞同，但是如果只是为了满足自己的情绪，我建议还是算了

在经过以上的心理斗争后最后我还是拒绝了为自己的原创增加贴纸，

当然不是因为他的收费是99刀

架构#

openclaw的架构#

目前架构#

之所以说是目前的架构，是因为仍然在快速开发和变更：

关于架构

从整体上仍然是通过一个常驻线程进行调度，但是在细节上有一些区别。关于架构的，我会单独写一篇文章分析，因为还是比较复杂的。

开始使用#

设置#

点击添加模型配置默认模型，填写模型的api key和base url。如果没有模型可以在智谱,阿里云,deepseek。

推荐购买按次收费的codeingplan计划，比较省钱。免费模型的性能较差可能影响体验

填写模型的api key和base url。

智谱

deepseek

注意

1. 模型配置只需要添加一次，后面就可以在设置中切换模型。
2. 模型配置中的api key和base url是你自己的，不要分享给任何人。
3. 如果任何情况下没有回复，首先是模型配置的问题，检查一下模型配置是否填写正确。

员工#

添加员工，在AI自动生成中输入你想要的员工，点击生成即可

例如：我想添加一个叫智心一梦的员工，我可以输入：

1
智心一梦是一个很有才华的员工，他会帮助我完成一些任务

或者是

1
石头人是一个杠精，他会无情的干掉ADC

重复操作即可添加多个员工

会议室#

进入会议室后，点击添加员工，开始会议即可

。 点击每个员工头像，可以查看员工记忆和对话

在员工界面也可以查看员工的记忆

技能/工具#

到此已经基本上具备基本功能了。下一步还可以配置一些技能/插件，让助手除了说还可以干活。

生成工具

1. 点击首页进入工具箱，输入你想要的工具，点击生成 例如你可以输入

1
一个用来展示条目信息的组件

点击左侧可以选择样式

等待一段时间即可生成工具

注意

生成工具需要一定的时间，取决于模型的性能。生成过程不会被打断，后续修改仍然可以在工具箱页面修改

生成如下，可以通过AI优化和自定义修改工具

点击安装，我们可以在下方的调试区进行调试，包括模式切换和数据调试，以及AI调试修改

生成的工具可以在任何地方使用。首页可以直接点击工具，右键可隐藏

工具/技能使用

生成的工具可以配置给员工，员工可以在会议室中使用。 首先点击进入数字员工界面，点击技能库新增技能

技能类型选择tool，工具选择已配置好的工具 点击进入员工界面，点击需要配置技能/工具的员工，在技能下拉内容增加所需技能即可

注意

1. 技能/工具配置给员工后，员工可以在会议室中使用。
2. 技能/工具的使用，需要员工自己触发，目前没有自动触发的功能。
3. 系统默认增加了一些技能

宠物模式#

点击首页宠物图标，即可进入宠物模式

右键宠物模式可以退出宠物模式

最佳实践（一场酣畅淋漓的会议）#

视频还未录制（等我录制完再放出来）

后续计划#

后续会增加 小鱼干 ，作为一种和宠物交互的代币。增加宠物更多的好玩的特征，以及建设一个插件市场，来在市场中上架游戏（其实就是插件），让宠物和自己写的插件交互等等。

会议室/员工，会增加一些最好用的样例。我不想做成一个大而全，像是cherrystudio那种啥都有的，所以这个的配置一定是我自己觉得非常好用才会推给大家。

记忆系统，目前的记忆总结的触发一个是触发删除mcp的时候，一个是触发条数上限的时候，需要更多的场景来测试和优化。

等等等等，还有好多好玩的想法，只是这里写不下了

如果你想加入我，或者有什么建议

可以关注公众号：智心一梦（这是我个人公众号）

邮箱：pankitgg0@gmail.com

QQ群：1081954601

一、初步设计游戏规则#

大模型和故事存在着共通性，学会用信息论的角度去理解世界。故事的本质是信息的压缩与变换，如果我们将一本故事想象成一个信息系统，那么这本书就是信息的压缩包，而我们的阅读过程就是解压。而大语言模型则是信息的压缩，他将世界上的普遍真理压缩到模型中以实现AGI的愿景。

在以上理解的基础上，我们从最经典的三国下手，架构一个起伏变化的信息加解压缩的软件。

二、初始化项目#

项目结构介绍 项目包含以下关键目录和文件：

1
rb3k-workspace/
2
├── assets/           # 静态资源（图片、CSS 等）
3
├── bin/              # 可执行文件目录
4
├── components/       # 可重用的 UI 组件
5
├── islands/          # 交互式组件（岛屿）
6
├── routes/           # 基于文件的路由
7
│  └── api/           # API 路由
8
├── static/           # 静态资源（图片、CSS 等）
9
├── .env.test/        # 环境变量配置文件（私有化运行需去掉.tset）
10
├── main.ts           # 应用入口文件
11
├── deno.json         # Deno 配置文件
12
└── README.md         # 项目文档

1. “选择即投票”：你用不用，就是在给它打分#

当你让 AI 写一段代码，你接下来会做三件事之一：

• 直接用它，并提交到仓库：相当于投了“赞成票”
• 改一改再提交：相当于给了“更好的参考答案”
• 不用这段：相当于投了“反对票”

这和谷歌的人机验证很像：让你去选“红绿灯/斑马线”那几张图。你以为是在证明自己是人，但你点的那些选择，本身也会反过来帮助系统变得更聪明。

放到写代码这件事上也是一样：当大量人把 AI 生成的代码改完、用上、提交到 GitHub，本质上就是在用真实场景做“筛选”和“标注”。

2. 用 GitHub 占比看“模型实力”：50% 可能会出现“默认模型”#

如果按“选择即投票”的思路继续推，一个挺直观的指标就是：某个模型生成的代码，在 GitHub 全部新增代码里占了多大比例。

比例越高，说明两件事：

• 它被更多人用在真实项目里（入口更强）
• 它能拿到更多“被人类选择过”的反馈（训练更有优势）

而当这个比例接近、甚至超过 50% 的时候，事情就会变得很不一样：大家会越来越习惯某种写法、某些库、某些组织方式。久而久之，它就可能变成一种“默认的写代码方式”，也就是你说的默认模型——不是官方宣布的，而是被大量使用“自然推出来”的。

3. 为什么谷歌免费 Gemini 并支持一键上传 GitHub 很高明#

再回头看谷歌的策略（比如 Gemini 免费、并且支持一键上传 GitHub），就很好理解了。

GitHub 是微软的地盘，但“代码从哪里来”更关键：如果越来越多代码是由 Gemini 生成、被人类挑选后提交上去，那么谷歌其实是在一个全球最大的代码池里，持续地制造“对自己有利的投票”和反馈。

所以这不仅是“免费竞争”，更像是在抢一个长期位置：谁能更早、更大规模地进入开发者工作流，谁就更可能在未来拿到更多真实数据，进而把模型越滚越强。

4. 一个不太舒服但绕不过去的结论#

我们在享受免费工具的时候，也在用自己的选择帮它变强：你每一次复制粘贴、每一次修改、每一次提交，都会变成它学习的一部分。

从这个角度看，谷歌的一键上传策略，本质上是一场关于“未来代码基因”的争夺：当 AI 生成的代码在 GitHub 上占据主导地位时，谁的模型是那个“最大贡献者”，谁就掌握了未来软件世界的底层规则。

1. 先定义：AI 时代的“全栈”到底多了什么#

如果把传统 Web 应用的闭环写成「请求 → 读写数据 → 渲染 → 交互 → 再请求」，AI 时代新增的关键链路是：

• 流式与增量 UI：聊天、Copilot、生成式表单等，需要边生成边渲染，且可中断、可续写。
• 工具调用与编排：模型不只“回答”，而是要调用搜索、数据库、第三方 API、队列任务，然后再整合结果。
• 数据治理与评测：提示词版本、输出结构校验、A/B 测试、离线回放、敏感信息与权限边界。
• 推理运行时多样化：同一应用可能同时用到 Node、Edge runtime、Worker、后台任务、甚至 GPU 推理服务。

因此，“AI 友好”的全栈框架通常具备这些工程特征：约定强、边界清晰、类型可贯通、可插拔的运行时与部署路径、以及成熟的生态（鉴权/数据库/缓存/队列/观测）。

2. 评估维度：什么叫“AI 编程适合度”#

这里的“适合度”不是在比谁更潮，而是在比：当你把需求交给 AI（或让 AI 参与编码）时，代码能否更稳定地被生成、被重构、被测试、被上线。

我用 6 个维度来评分（1–5 分，越高越适合 AI 协作开发）：

1. 可预测的项目结构：路由、数据加载、Action、组件边界清晰，AI 生成不容易“发散”。
2. 端到端类型与 schema 驱动：请求/响应/数据库模型能对齐，减少“靠猜”的胶水代码。
3. 服务端能力一等公民：SSR/Actions/后台任务/队列等是框架内置而不是外挂拼装。
4. 可观测与可测试：可复现、可回放、可做契约测试与 E2E，避免“能跑就行”。
5. 部署路径清晰：本地与生产一致性好；Edge/Server 的差异可被框架约束。
6. AI 生态与样例成熟：已有成熟的 AI SDK、流式 UI、工具调用范式与参考实现。

3. 全栈框架全景对比表（尽可能覆盖主流生态）#

说明：

• “全栈框架”在不同语言里含义不同：有的强调“前后端一体”（元框架），有的强调“后端 + 模板/组件渲染”，也有一类是“平台型全栈”（BaaS/内容系统自带 UI + API）。
• 表格覆盖各主流语言生态里仍活跃、可用于生产的全栈框架/元框架，并额外纳入一批常被用于全栈交付的选择。

3.1 读表指南：分数为什么会拉开#

同一个“全栈”，在 AI 场景下表现差异很大，原因通常不在性能，而在工程边界：

• 5 分档（更推荐做 AI 产品主干）：元框架内置了稳定的读写数据语义（loader/action、actions、handlers），流式 UI 与工具调用范式成熟，AI 更容易写出“可维护”的结果。
• 3–4 分档（稳健但要立规矩）：能力够用，但你需要把鉴权、数据访问、任务队列、错误处理固化成团队约定，否则 AI 写出来会出现多套风格并存。
• 1–2 分档（能做但不建议作为默认）：全栈能力更多依赖你自己装配；AI 协作时更容易产生隐性耦合与不可回放的实现。

4. 为什么有的框架更“适合 AI 编程”#

把 AI 当作“会写代码的同事”时，你会发现它最怕两类项目：

• 结构不稳定：同一个需求在不同模块里有不同写法，或者靠大量自定义约定才能跑起来。
• 隐式魔法太多：运行时行为难以从代码直观看出来，AI 很难在重构时不踩坑。

反过来，更 AI 友好的框架往往具备这些共同点：

• 强约定 + 少选择题：文件路由、数据加载、表单提交、错误边界有固定入口，AI 不容易“写偏”。
• 类型/Schema 是事实来源：DB schema、API contract、工具调用参数等可以被校验与生成。
• 服务端边界明确：哪些代码跑在 Server/Edge/Client，一眼就能看出，避免把密钥带进浏览器。

以 TypeScript 生态为例，Vercel 的 AI SDK 明确提供了面向 React/Next.js 等框架的流式 UI 与工具调用抽象，降低“自己拼 streaming + tool calling”的手工成本。¹

同时，Edge/Worker 侧的推理与 embedding 能力越来越标准化，例如 Cloudflare Workers AI 提供了“在边缘调用模型”的路径，让你能把部分推理或向量化靠近用户，改善延迟与成本结构。²

5. 重点框架解读（按“全栈形态”分组）#

下面不按“谁更强”排序，而是按“你会怎么把它用在 AI 产品里”来讲。

6. 从“AI 编程适合度”出发的选型结论（可直接抄作决策）#

把问题换一种问法：为了让 AI 协作开发更可靠，你需要的是“更强的约束”而不是“更多的自由”。

7. 参考与延伸阅读#

Footnotes#

1. AI SDK by Vercel. https://ai-sdk.dev/docs/introduction ↩ ↩²

2. Cloudflare Workers AI. https://workers.cloudflare.com/product/workers-ai/ ↩

fresh2 启动！#

首先我们需要安装deno

Mac, Linux

1
curl -fsSL https://deno.land/install.sh | sh

windows PowerShell

1
iwr https://deno.land/install.ps1 -useb | iex

更多安装方式可以查看 deno_install

deno也有别人开发的版本管理工具类似nvm的dvm，可以按需安装。

1
npm i @axetroy/dvm

当安装完成后，可以使用deno run 来运行ts,可以运行官方样例，也可以自己写一个

1
import { serve } from "https://deno.land/std@0.208.0/http/server.ts";
2

3
const handler = async (req: Request): Promise<Response> => {
4
  const html = `
5
    <!DOCTYPE html>
6
    <html lang="zh-CN">
7
    <head>
8
      <meta charset="UTF-8">
9
      <meta name="viewport" content="width=device-width, initial-scale=1.0">
10
      <title>欢迎</title>
11
      <style>
12
        body {
13
          font-family: Arial, sans-serif;
14
          display: flex;
15
          justify-content: center;
16
          align-items: center;
17
          height: 100vh;
18
          margin: 0;
19
          background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
20
        }
21
        .welcome-container {
22
          text-align: center;
23
          color: white;
24
          padding: 40px;
25
          border-radius: 10px;
26
          background: rgba(255, 255, 255, 0.1);
27
          backdrop-filter: blur(10px);
28
          box-shadow: 0 8px 32px rgba(0, 0, 0, 0.1);
29
        }
30
        h1 {
31
          font-size: 48px;
32
          margin-bottom: 20px;
33
        }
34
        p {
35
          font-size: 18px;
36
          margin: 10px 0;
37
        }
38
      </style>
39
    </head>
40
    <body>
41
      <div class="welcome-container">
42
        <h1>欢迎！</h1>
43
        <p>这是一个使用 Deno 运行的 TypeScript 页面</p>
44
        <p>当前时间: ${new Date().toLocaleString('zh-CN')}</p>
45
      </div>
46
    </body>
47
    </html>
48
  `;
49

50
  return new Response(html, {
51
    status: 200,
52
    headers: {
53
      "content-type": "text/html; charset=utf-8",
54
    },
55
  });
56
};
57

58
console.log("服务器运行在 http://localhost:8000");
59
await serve(handler, { port: 8000 });

1
deno hello.ts

至此基础的环境ok了，下一步我们需要安装fresh 2.0

1
deno run -Ar jsr:@fresh/init

太棒了，没想到，这个下载的就是vite版的fresh 2.0的环境，下一步我们可以开始开发了。

1
deno run dev

当前的初步已经ok了，如果你对细节还有疑问可以在留言。下一章我将带你使用全栈+Fresh+群岛架构+AI开发一个好玩的游戏。

1. 前端的开放性，把训练数据推到极大#

前端是最公开的工程领域之一：页面代码天然要交付到浏览器；生态以 npm 为中心扩散；大量实践以博客、Issue、文档、开源仓库的形式沉淀。结果是，前端的高频知识几乎都能在公开语料里被反复看到。

更重要的不是“量大”，而是分布稳定：

• HTML/CSS/JS 是 Web 的共同语言，语法和运行语义相对稳定，十年前的很多知识今天仍然有效。
• 组件、路由、状态、请求、表单、列表、布局这些“业务高频件”，在行业里高度同构，差异主要来自命名与样式。
• 工程化把离散经验收敛成少量工具链约定：构建（Vite/webpack）、类型（TypeScript）、质量（lint/format）、样式方案（Tailwind/CSS Modules/CSS-in-JS）等，最终都表现为可被模板化的结构。

当一个领域同时满足“公开、稳定、同构”时，模型得到的不只是训练样本多，而是可重复的模式多。代码生成看起来像“凭空写”，实际更接近“在巨大的模式库里做匹配，然后把匹配结果按约束拼起来”。

2. 前端代码的本质：受约束的声明式结构#

网页代码的产物，是“可运行的界面”。界面由两部分构成：

• 结构与语义（HTML/组件树）
• 样式与布局（CSS/设计系统）

这两部分都强依赖声明式，而声明式的一个特征是：局部变动往往只影响局部输出。例如，增加一个表格列、把表单校验规则改严、把卡片从两列变三列，这些都属于结构化变更，能在组件边界内被限定。

这会直接降低生成难度：模型不需要“发明新算法”，更多时候只要把常见 UI 模式落到当前工程的约束里（组件库、样式规范、数据结构、类型约束）。换句话说，前端更像一个大型的“组合系统”，而不是一个需要大量原创推理的“求解系统”。

3. 单一默认值让输出更可预测#

前端并不缺框架；但工程实践的默认选项长期高度集中。一个明显的结果是：当你说“写一个后台管理系统/电商详情页/内容站点”，多数团队脑海里会浮现出近似的技术栈组合与目录结构。

这种集中带来的收益是“可预测”，代价是“创新被压住”。但就代码生成而言，可预测恰恰是优势：模型在生成时，最怕的是缺乏共识的分歧点；最擅长的是有共同模板的主流写法。

React 的长期主导地位，把大量工程实践收敛成了统一叙事：组件化、JSX、Hooks、状态与副作用的组织方式、围绕 React 的路由与数据层（再加上 Next.js 这类元框架）……这让模型面对“前端需求描述”时，能更快落到一种稳定的实现形态上。

但这也解释了一个常见体验：同一个需求下，模型在 React 生态里输出“像样代码”的概率，往往高于在一些更分散、约束更弱的技术组合里输出的概率。并不是因为 React 更“正确”，而是因为它更“标准”。

想把这种“标准化带来的副作用”讲透，可以读这篇文章：

• React 的默认胜利正在扼杀前端创新（译）

它的核心观点可以浓缩成三句（与本文的主题互相补全）：

• React 的优势正在从“技术优势”转向“默认优势”，网络效应替代了适配度，决定架构走向。
• 生态默认值越强，新模型（编译期、细粒度响应式、可恢复性）越难得到公平评估，创新变成“有但用不上”。
• 当行业把心智模型中心搬到单一框架之上，成本不仅是性能，还有学习与迁移能力的机会成本。

4. 大模型天然站在 UI 层的上方#

前端的难点并不只在代码，更在“把需求变成界面”。而 UI 层有一个工程事实：它离业务更近、离算法更远，离“表达”更近、离“求解”更远。

这对应了大模型的强项：把模糊输入映射到结构化输出，世界模型的到来 使所有抽象层将在更高的维度被模型所理解。

在现代团队里，UI 并不只是像素拼图，而是一个层次化系统：

• 设计语言（排版、色彩、间距、动效）
• 组件库（Button/Input/Table/Modal）
• 交互范式（表单流、列表流、详情流、搜索筛选）
• 信息架构（导航、层级、状态）

这些东西一旦被抽象为组件与设计 token，代码生成就变成了：把信息架构映射为组件树，把状态与数据流映射为事件与请求，把视觉规则映射为样式约束。它不依赖“灵感”，更依赖“约束下的映射”，因此更容易规模化。

5. 视觉能力的进步，正在外溢到 UI 之外#

近两年的变化不只是“能写更多代码”，而是模型逐步具备了对界面与布局的理解能力：识别层级、对齐关系、间距语义、组件复用、交互状态。这类能力来自多模态训练：把文本、图像、结构化 UI 元数据放在同一个表征空间里学习。

一旦模型能稳定理解 UI，它就获得了一种更通用的能力：把连续世界（图像/空间）压缩成离散结构（层级/约束/关系）。这类表征不仅对“从设计到代码”有用，也会迁移到更广泛的物理世界任务中：场景理解、机器人操作、空间推理、视觉-语言对齐等。

从这个角度看，前端并不是一个孤立的应用场景，而像一个训练场：UI 把现实世界的空间关系（对齐、约束、层级、组合）用更可控的方式呈现出来，既足够复杂，又比真实世界更可标注、更可评估、更易规模化。这会让模型在 UI 上的进步更快，也更容易外溢到 UI 之外。

6. 边界：能写出“像样代码”不等于能交付#

把原因讲清楚，也必须把边界讲清楚。前端代码生成效果好，并不意味着它天然可靠：

• 代码是否“像样”，与是否符合工程约束（类型、可访问性、性能预算、安全策略）是两回事。
• 模型能拼出组件树，但很容易在状态边界与数据一致性上犯错，尤其是复杂交互、多端适配、并发与缓存场景。
• 视觉对齐可以做到很像，但设计系统、可维护性与可扩展性需要经验驱动的取舍，不能只追求像素级还原。

更合理的定位是：把模型当作“高吞吐的初稿生成器 + 有经验开发者的约束校验器”。前端之所以显得更“好用”，是因为它确实更适合这种分工。

结语#

AI 写网页代码之所以效果好，并不是因为网页开发更简单，而是因为它更结构化：开放的生态让训练数据极其充足；主流栈的默认选择让实现路径高度收敛；UI 层的抽象把需求到代码的映射变成可组合的工程问题；多模态能力又进一步增强了对布局与层级的理解。

当这些条件叠加在一起，代码生成就不再像魔法，而更像一套高效的模式检索与组合机制在发挥作用。下一步真正的竞争点，不是“能不能写出来”，而是“能不能在约束下持续写对”。

1. 2025 的整体信号#

• AI 不再只是“聊天”，而是以“工作流/代理编排”的形态爆发，n8n 以断层优势成为年度冠军。
• React 重新夺回“前端框架”榜首，但真正的焦点是向 Server Components/Server Functions 的迁移带来的复杂度与安全风险。
• 前端工具链继续走向“更快、更统一”：运行时、打包、格式化/Lint 的一体化趋势更明显。

2. 最受欢迎的项目（Top 10）#

分析要点：

• n8n 的增长几乎“改写刻度”，2025 年从工具到生态位的关注都集中到了“工作流 + AI”。
• Top 10 里与“React 组件分发/体验”相关的项目占比非常高（React Bits、shadcn/ui、Onlook 等），说明“做 UI 这件事”正在向“可复制粘贴的工程化积木”收敛。
• Better Auth 这类“框架无关 + 插件化”的基础能力项目上榜，说明全栈化后对安全与工程抽象的需求在上升。

3. 前端框架（Top 5）#