Agent

9 月 8 日，Meta 发布 personal agent「Muse」，公开了一套「智能提案、权威拍板」的安全架构（上一篇写过）。

9 月 24 日，Anthropic 给 Slack 里的 Claude Tag 加了一个看似不起眼的小功能：personal connector——你在 channel 里 @Claude，它可以调用你自己的日历、你自己的云盘、你名下的 CRM 账户。

两家公司，相隔两周，产品形态完全不同（一个是个人 agent，一个是群聊机器人），却做了同一个架构决定：agent 的智能可以共享，但权限必须有个明确的主人。

一家是巧合，两家就是趋势。今天把这个趋势讲清楚——顺便回答一个所有要落数字员工的组织都绕不开的问题：权限到底该跟着人走，还是跟着工号走？

Meta 本月发布 personal agent「Muse」时，同时公开了一份赏金价目表：有效漏洞报告最高 30 万美元，其中单独一档——「成功影响一个用户的 prompt injection」——最高 13 万美元。

看清楚这一档在买什么：不是买「别进来」，是买「进来给我看」。一家把 agent 接到用户邮箱、日历、浏览器、Shell 和银行卡的公司，公开为「攻破我的 agent」付钱。这不是自信，这是承认：注入不可根除。

承认之后呢？Meta 同一篇文章里给出了整个行业目前最完整的答案，题眼是一句话：

一台机器上的两个相互隔离的安全域，而不是一个有 root 权限的 LLM agent。 （two isolated security domains on one box, not an LLM powered agent with root）

上周在钉钉里看到一条消息，让我意识到一个根本性的转变正在发生。

一位产品经理在群里 @AI 助理：「帮我总结一下今天会议的要点。」AI 很快给出了回复。几分钟后，她又 @采购 Agent：「根据这份 PRD，生成采购计划并提交审批。」

同样是 @AI，但两次操作的性质完全不同。第一次是 问一个问题，第二次是 派一个任务。

这个细微的差别，恰恰是 AI 时代 IM（即时通讯）正在发生的最深刻的范式转移： 沟通正在从「对话」演进为「协同」。

「准备写一个 blog，详细讲解这个 skill。」

我对 Agent 说完这句话后，它在 0.5 秒内完成了三件事：加载 900 行 SKILL.md、扫描过去 127 篇博客的标题做交叉引用、按 Planner 模块输出了文章分类和大纲。没有追问「你想写什么角度」，没有问「用什么语气」，没有忘记中文排版要加空格。

从「业余时间挤一篇」到「随手一句话就发一篇」——这不是夸张，是我过去 5 个月的真实经历。

2013 年我写了 43 篇博客，之后的 12 年里年均不到 5 篇。2026 年才过了 5 个月，已经发了 127 篇。月产量从 2 篇跳到 25 篇，12 倍。这篇文章不是讲 AI 写作工具多好用，而是讲我如何把 整个写作流程 编码成了一个 Agent 可执行的 Skill——一个会自己写博客的系统。

Netflix 的「Context, not Control」曾经是最有影响力的管理理念之一。

它的核心假设很简单：给聪明人足够的上下文，他们会用你没想到的方式达成目标。你不需要控制过程，只需要提供信息、方向、约束。人的判断力、创造力、直觉——这些是 context 之外的东西，也是 Control 管不到的东西。

但这个理念套到 Agent 上，假设崩塌了。

向 AI 提出需求后，不要急着让它立刻执行。一个简单却常被忽略的技巧是：让 AI 先向你提问，把模糊的需求打磨清晰。需求越明确，AI 的执行效果就越好。这不是理论，而是每天和 AI 协作的工程实践中，投入产出比最高的习惯。

两周前，一个做 AI 写作 Agent 的朋友约我吃饭，他刚拿了 A 轮，准备砸 200 万投放抖音和小红书。

我顺嘴问了一句：你们 Agent 的复杂任务成功率是多少？

他愣了一下，说：“你这问题问得有点怪，我们看的是 DAU 和留存。”

三个月后我们再见面，他融的钱烧了一半，DAU 涨了三倍，月留存从 18% 掉到了 9%。他叹了口气：“用户来了，但 Agent 还是那个 Agent。”

那一刻我意识到一件事：很多 AI 创业团队还在用 SaaS 时代的增长教科书，跑一个根本不是 SaaS 的生意。

三个月前，我用 Claude Code 花了一个下午搭了一套完整的钉钉消息监控系统：自动抓取指定群的消息、按关键词分类、生成每日摘要、定时推送到我的私聊。整套流程从数据采集到定时任务，大约 500 行 TypeScript。

同样的事情，如果走公司正规 IT 流程——提需求、排期、开发、测试、上线——保守估计三个月，还不一定能排上。

这件事让我确信一个判断：LLM 厂商把重注押在 Coding Agent 上，是目前最正确的战略选择。 不是因为 Coding Agent 能替代程序员，而是因为它把"用代码解决问题"这件事的门槛，从"需要一个工程团队"降到了"需要一个能清楚描述问题的人"。

上周，一个做 ToB SaaS 的朋友跟我吐槽：他花了两周让 AI 帮忙写了一套完整的 CRM 后端，代码质量不错，测试覆盖率也够。但上线三天就被叫停了——因为产品方向本身就是错的，客户根本不需要这个功能。

两周的 Token 消耗，毁于一个没被认真思考过的问题。