AI时代的产品经理手册

Episode Summary

过去两年，大模型行业的主线是把 AI 变得越来越"会想"——更长的 Reasoning、更复杂的 Agent Loop、更大的 Test-time Compute。但当 Agent 真正进入企业生产环境，一个非常现实的经济问题出现了：一个问题 AI 已经解决过一万次，第一万零一次为什么还要重新花钱让它从头想一遍？

本期围绕 TypeSafe 在 2026 年 9 月发布的 Judgment Model Jev 展开，聊一个比"又一个便宜模型"更值得关注的产业信号——AI Agent 的基本单位正在从 Response（回答）转向 Action Selection（行动选择）；从 Reasoning Economy（推理经济）走向 Judgment Economy（判断经济）。

我们一起讨论：

为什么 Decision per Dollar 会成为 Agent 时代的下一个竞争维度

为什么 Memory 不等于 Learning——把错误写进 Memory 只是"基于记忆的适应"，真正的改变发生在 Post-training 把经验压进 Weights

未来企业 AI 的护城河，可能不是文档、Workflow、甚至不是静态私有数据，而是 Proprietary Decision Data（那些已经知道结果的错误）

为什么 Agent 行业会多出一整层基础设施——Agent Learning Infrastructure / Experience Compiler，决定"经验应该以什么形式留下来"

为什么基础模型决定 Agent "出厂时有多聪明"，而学习闭环决定它"工作三年以后能有多聪明"

最后一句话送给所有在做 Agent 的同学：真正成熟的智能，未必意味着越来越长的思维链。新手的智能，体现在他能想多久；专家的智能，藏在那些已经不用再想的地方。

Chapters

时间戳按 23 分钟总时长、各章节字数比例估算，误差 ±15 秒。如果你需要精确到秒的章节标记，请用音频编辑工具重新打点。

时间章节

00:00开场 & 引子：从《三体》讲起，AI 为什么会像"三体人"

02:10 一、Jev 为什么火了：System One Model、Decision per Dollar、Action Selection

05:15 二、Agent 时代真正昂贵的，可能是重复处理

07:45 三、Memory ≠ Learning：基于记忆的适应 vs 经验改变模型行为

11:10 四、企业最值钱的数据：那些已经知道结果的错误

15:10 五、Jev 背后，藏着 Agent 基础设施的下一场战争

18:35 六、经验规模化：从 Scaling Intelligence 到 Scaling Experience

20:45 七、回到开头：AI Agent 从"三体人"变成"地球人"

Key Takeaways

Judgment 可以成为一种独立的模型能力。 Jev 用 0.042 美元/百万输入 Token、70–500ms 延迟证明了一件事：高频判断不需要每次都走 Reasoning。

重复推理就是成本。 第一次处理，推理是智能；第一万次还在完整重跑，就开始变成成本。Agent 真正需要优化的是"什么问题值得思考，什么问题已经不值得再思考"。

Memory 让模型回忆规则，Learning 让模型不必再回忆规则。 后者才能把经验压进模型 Weights，形成稳定的 Judgment。

企业护城河不是文档，是 Decision Data。 竞争对手可以买同一个 GPT，可以抄你的 Workflow 和 Skill，但抄不走你过去三年 17,000 次错误判断 + 真实 Outcome。

数据飞轮会换方向。 过去是"更多用户 → 更多文本"；未来是"更多行动 → 更多结果 → 更好的判断 → 更多任务自动化"。

新基础设施会出现：Experience Compiler。 它决定一次经验应该写进 Memory、修改 Skill、更新 Policy、调整 Threshold，还是进入 Post-training。

提到的产品、公司与术语

Jev / TypeSafe — 2026 年 9 月发布的 System One Model，主打 Judgment 而非生成

GPT / Claude / Gemini — 作为对照的 Reasoning / System 2 类模型

Agent Skills / SOP / Workflow — 把专家经验写进 Context 的产品形态

RAG / Vector Database — 企业 Knowledge Data 的入口

Post-training / Reinforcement Fine-Tuning (RFT) / Grader — 经验改变模型行为的关键技术

Decision Data (State → Judgment → Action → Outcome) — 本期核心概念之一

Agent Learning Infrastructure / Experience Compiler — 本期核心概念之一

Decision per Dollar — 本期提出的 Agent 时代新指标

Intelligence Compression / Scaling Experience — 本期提出的两条 Scaling 曲线

推荐延伸阅读

- LLM Powered Agents & Agentic AI— LangChain 团队对 Agentic Loop 的系列拆解

- Reinforcement Fine-Tuning / Verifiable Rewards 相关论文（OpenAI o 系列技术报告）

- Decision Intelligence 系列（Gartner 2024–2025 报告，追踪"Judgment as a Service"赛道）

一句话简介

最近一个月 DeepSeek 模型、Harness、Agent、多模态几条路线齐发，但依然不讲超级应用故事。把梁文锋的公开表达、幻方的量化经历、近年的技术路线放在一起看，DeepSeek 真正稳定下来的不是某一代模型，而是一套资源配置哲学——一切为了提高"最终抵达 AGI"的概率。

你会听到

DeepSeek 为什么不急着讲超级应用故事，而是一次次把关键能力开放给市场和开发者自己验证。

长期主义真正困难的地方不是坚持，而是是否拥有等待正确事情发生的能力。

SpaceX 的"火星目标"如何反向决定今天的所有工程决策——类比 DeepSeek 的多线推进。

梁文锋身上投资人的长期赔率思维与工程师的第一性原理是如何融合的。

DeepSeek 真正追求的不是"低价"，而是单位智能成本——补贴式低价 vs 工程式低价的根本区别。

开源不是放弃商业，而是一种长期资本配置——用今天的部分控制权换未来生态影响力。

幻方真正给 DeepSeek 买下的不是 GPU 和资金，而是不必马上成功的能力。

普通人从 DeepSeek 学什么：先建立安全边际，再寻找值得长期投入的方向。

长期主义最难的不是坚持，而是长期正确——目标坚定、方法开放。

章节时间码

时间码

章节

00:00

�️ 开场：DeepSeek 一个月内的密集动作

01:54 一、真正的长期主义：需要一个能决定今天的目标

03:33 二、梁文锋身上最特殊的地方：投资人和工程师融合

05:05 三、DeepSeek 真正追求的是单位智能成本，不是低价

06:07 四、开源不是放弃商业，是一种长期资本配置

06:52 五、幻方真正给 DeepSeek 买下的，是时间

07:49 六、普通人真正应该学习的，不是 DeepSeek 押注了什么

08:50 七、真正难的不是长期主义，而是长期正确

09:29 � 结语：长期主义最大的优势，是拥有时间主权

10:30 � 收尾

核心观点（5 条）

DeepSeek 稳定的是资源配置哲学，不是一代模型——低价、开源、极致效率、Harness、克制商业化看似分散，本质都在服务"提高抵达 AGI 概率"这一目标。

真正决定战略的不是愿景本身，而是愿景能否反推今天——一个真实目标必须能决定"哪些钱可以不赚、哪些热点可以不追、哪些问题短期没回报仍值得研究"。

梁文锋是投资人赔率思维 + 工程师第一性原理的合体——前者决定"什么未来值得下注"，后者寻找"阻碍这个未来发生的关键约束"。

单位智能成本才是 DeepSeek 真正的北极星——MoE、缓存、稀疏注意力、上下文压缩都在回答"用更少资源获得更强智能"，这才是改变行业定价的根本。

长期主义的前提是耐心资本——DeepSeek 之所以能拒绝短期诱惑，是因为幻方买下的"不必马上成功的能力"。普通人学不到幻方，但可以建立自己的耐心资本：降低固定成本、减少高杠杆、积累不会归零的资产。

关键金句

"DeepSeek 越来越强，却依然没有急着讲一个完整的超级应用故事。"

"长期主义真正困难的地方，从来不是坚持，而是：你是否拥有等待正确事情发生的能力。"

"投资人的长期赔率思维，加上工程师的第一性原理——这才是梁文锋身上最有意思的地方。"

"补贴式低价依靠资本，工程式低价改变成本曲线。前者可能创造一次营销事件，后者会改变整个行业定价。"

"开源不是分享，而是购买未来——用今天的一部分控制权，换取未来更大的生态影响力。"

"幻方真正给 DeepSeek 买下的，不是 GPU、研究员、资金，而是不必马上成功的能力。"

"普通人的第一步不是寻找下一个 AGI，而是建立自己的耐心资本。"

"所有复利都有一个共同前提：你必须活到它开始发生。"

涉及的人物与机构

梁文锋（DeepSeek 创始人 / 幻方量化创始人）

DeepSeek（深度求索）

幻方量化（High-Flyer）

SpaceX / Elon Musk（章节一中作为对照案例）

Falcon 9 / Raptor / Starship（SpaceX 产品线）

涉及的产品与技术

V4-Flash / V4-Pro（DeepSeek 模型）

DeepSeek Harness

V4-Flash-Vision-Exp（2026-08-21 上线，多模态）

MoE / 缓存 / 稀疏注意力 / 上下文压缩（单位智能成本技术栈）

适合谁听

想理解 DeepSeek 战略路径的产品经理 / AI 从业者

思考长期主义与耐心资本的创业者、投资者

关心中国 AI 路线选择与 AGI 节奏的观察者

想从 SpaceX / DeepSeek 身上提炼方法论的工程师

过去两年，AI 行业一直在争论 GPT、Claude 和 DeepSeek 谁的模型更强。但到了 2026 年 8 月，竞争开始向下移动一层：DeepSeek 发布 DeepSeek Harness，OpenAI 更明确地展现 Codex 作为开放 Agent 基础设施的形态，Earendil 也发布《What is a Harness?》，讨论 Harness 的技术组成与用户所有权。

这一期，我们聊聊 Harness 为什么不只是包在模型外面的 Agent Framework，而是正在成为影响 Agent 表现、开发者生态、任务成本、执行轨迹，甚至模型后训练的关键变量。

当模型能力逐渐接近，下一轮竞争可能不再只是“谁拥有最强模型”，而是谁能率先转动最强的 **Model × Harness** 飞轮。

你会听到

- Harness 到底是什么，为什么同一个模型换一个 Harness 就像换了一个产品

- 为什么 Agent 能力更接近 `Model × Harness`，而不是单独由模型决定

- DeepSeek-V4-Flash 的后训练释放了什么信号

- Harness 为什么正在从运行环境延伸为训练环境

- 真实 Agent 执行轨迹为什么可能成为下一代训练数据

- DeepSeek、OpenAI 与 Earendil / Pi 对 Harness 的三种不同主张

- Harness 为什么可能同时形成平台飞轮和数据飞轮

- Agent 商业模式为什么可能从按 Token 计费转向按任务或结果计费

- 谁可能掌握 Agent 时代的控制层、计量层与后训练入口

#时间轴

00:00｜Harness 为什么突然成为竞争焦点

DeepSeek、OpenAI 和 Earendil 在相近时间集中谈论 Harness。一个后台工程概念，开始变成前台产品品类。

01:02｜Agent 的能力不只取决于模型  

同一个模型进入不同 Agent 产品，表现可能截然不同。上下文、工具调用、错误恢复、压缩、子 Agent、人工审批和停止条件，都由 Harness 参与决定。

01:52｜Agent = Model × Harness

很多被视为“模型能力”的结果，实际上测到的是模型与 Harness 的组合能力。Harness 本身会影响成功率、速度、Token 消耗和单次成功成本。

02:36｜DeepSeek-V4-Flash 后训练释放的信号

在模型架构和规模没有明显变化的情况下，V4 Flash 通过重新后训练提升多项 Agent 基准表现；部分代码 Agent 测试运行在 DeepSeek Harness 极简模式中。

03:06｜Harness 从运行环境走向训练环境

训练一个擅长 Agent 任务的模型，绕不开工具选择、错误恢复、任务拆解、子 Agent 调度、Token 效率和停止条件。Harness 定义的不只是模型在哪里运行，也包括模型学习怎样行动的行为环境。

04:12｜真正值钱的可能不是插件，而是执行轨迹

一条真实任务轨迹记录了 Agent 如何计划、调用工具、遭遇失败、进行恢复、接受人工干预并最终完成任务。这类数据教给模型的不只是“如何回答”，而是“如何把事情做成”。

05:13｜平台飞轮与数据飞轮

Harness 的潜在飞轮是：标准带来采用，采用带来真实任务，任务产生执行轨迹，轨迹帮助改进评估、奖励设计和后训练，进而提升 Agent 表现。

06:06｜DeepSeek Harness 的战略价值

“Everything is a Plugin”强调模型、工具、沙箱、调度循环、子 Agent 和界面的可替换性。DSH 的长期价值可能不只是一个开源框架，而是建立 Model 与 Harness 协同演化的生态基础。

07:11｜DeepSeek 与 OpenAI：可组合还是可嵌入

DeepSeek 更强调重新拼装 Agent 的可组合性；OpenAI 更强调把成熟 Agent 能力接入业务系统的可嵌入性。两条路线背后，对应开放运行时生态与一体化模型闭环。

08:47｜Earendil / Pi：Harness 应该属于谁

Earendil 除了定义系统提示词、工具、Agent 循环和模型转换层，还强调用户可以拥有并改造自己的 Harness。模型可以替换，但工具、会话、工作流和历史状态可以留在用户手里。

09:33｜三种 Harness 叙事

DeepSeek 强调可组合，OpenAI 强调可嵌入，Earendil / Pi 强调可拥有。Harness 的定义之争，本质上也是 Agent 控制层的归属之争。

10:20｜Harness 会成为 Agent 时代的 CUDA 吗

事实标准会吸引开发者和工具围绕它优化。与传统平台不同，Harness 还可能连接真实任务产生的行为数据。

10:52｜从 Token 价格到单次任务成本

企业真正关心的不是每百万 Token 多便宜，而是完成一次任务需要几步、多少次工具调用、几个 Agent，以及多少人工介入。

11:17｜Harness 可能成为结算基础设施

如果 Agent 服务从按资源计价走向按任务或效果计价，Harness 所记录的步骤、工具、人工干预和任务结果，就可能成为计量与结算的基础。

11:42｜真正难复制的是 Agent 行为数据库

代码可以 Fork，插件可以重写，API 可以兼容；真正难复制的是大量真实 Agent 如何一步一步完成任务，以及其中哪些路径有效、哪些调用只是浪费。

12:35｜模型战争正在下沉

表面争夺运行时，再往里是开发者生态和执行轨迹，最终连接下一代模型后训练。真正值得关注的是谁能率先转动 Model × Harness 的复利飞轮。

本期核心判断

谁定义主流 Harness，谁就更有机会影响 Agent 应该如何行动；谁拥有规模最大、质量最高并且合法可用的真实执行轨迹，谁就更可能获得下一代 Agent 后训练的优势。

补充说明

开源 Harness 获得大量采用，并不意味着维护者会自动获得用户的执行轨迹。数据飞轮能否成立，还取决于托管服务、遥测设计、用户授权、企业隐私要求，以及社区是否主动回传评测结果。节目中相关讨论应理解为一种有条件成立的战略可能性。

## 本期关键词

Harness、AI Agent、DeepSeek Harness、DSH、DeepSeek-V4-Flash、OpenAI Codex、Pi、Earendil、Agent Runtime、后训练、执行轨迹、Agentic Loop、子 Agent、Token 成本、按任务计费、模型中立、开发者生态

DeepCIS开源引爆GitHub，三天狂揽10万星！它真能替代CodeX？一个命令删光400G数据背后，藏着AI智能体的新护城河：一切皆插件。模型已成商品，工程才是壁垒——你准备好入场了吗？

02:01 “自进化：掘金嫡系的 AGENT 新器官官方演示”

04:02 工程思维主导的软件开发：解决实际问题的关键

06:04 利用OpenAI技术，创建可定制化的AI插件，掌握行业的新护城河

08:05 一切皆插件：企业级AI解决方案的新标准与威力

10:08 一切插件，企业的插件！——解决业务场景中的问题，提升企业效率！

12:11 解密真正让它烧掉四百计的机制：博主扒源码，安全防线被拆解！

14:12 真正的开发者看到的是机会，跟风的人看到的是热闹——探索AI行业的生态机遇

7月26日K3完整权重扔上Hugging Face，14天后月之暗面Pre-IPO估值从350亿冲到500亿美元——不是融资，是一次被市场重新定价。但这不只是月之暗面一家的故事：智谱、MiniMax已经上市，阶跃星辰、宇树科技正在排队，5家公司共同的窗口只剩12个月，18A六十六家公司的先例摆在那——只有8%笑到了最后。这一期拆解K3凭什么被重新定价、5家公司各自的算盘、扎堆上市背后的政策窗口，以及如果技术差距被拼没了，接下来这个行业会拼什么。

## 时间轴

| 时间 | 章节 |

|---|---|

| 00:00 | 开篇：两周涨150亿，5家公司的共同考题 |

| 01:01 | 一、14天估值涨150亿，谁是下一个？ |

| 02:30 | 二、K3凭什么被市场重新定价？（5张证据） |

| 05:40 | 三、K3只是开场：还有4家排队敲钟 |

| 07:35 | 四、12个月窗口：为什么必须是这两年 |

| 09:20 | 五、500亿这道题，谁都绕不开哪4关？ |

| 12:38 | 六、5家公司，3个判断 |

| 15:07 | 七、如果技术差距拼没了，接下来拼什么？ |

| 16:43 | 结语 |

## 关键数字

- **150亿美元**——月之暗面14天估值涨幅（350亿→500亿）

- **4.6倍**——K3相比GPT-5.6 Sol的单位成功成本优势

- **2.5倍**——K3相比上一代K2的架构缩放效率提升

- **5家公司**——智谱、MiniMax、月之暗面、阶跃星辰、宇树科技，同一条上市跑道

- **12个月**——港股18C章（截止2027.8.31）+ 科创板第五套叠加后剩下的窗口期

- **8%**——18A章66家公司里，六年后股价还站在发行价之上的比例

- **20+家**——2026年以来披露跨界并购、蹭AI大模型叙事的A股传统公司数量

## 提到的公司

Kimi K3（月之暗面）、智谱、MiniMax、阶跃星辰、宇树科技、OpenAI、Anthropic、DeepSeek、阿里（Qwen3.8-Max）、腾讯（元宝）、百度、字节跳动（豆包）

## 说明

资料截至2026年8月8日。K3权重于7月26日发布。文中"据知情人士""据报道"信息尚未获官方正式确认。

## 标签

`#KimiK3` `#月之暗面` `#港股18C` `#科创板第五套` `#AI大模型上市` `#18A教训` `#DeepSeekV4-Flash` `#AI内卷`

2026年8月6日，DeepSeek宣布整体上调API服务定价，并明确提示"预计涨幅较大"。一个曾经最激进的价格挑战者开始涨价，AI真的变贵了吗？大模型商业模式出问题了吗？

本期节目从杰文斯悖论（Jevons Paradox）出发，重新拆解AI产业的成本真相：真正变贵的不是Token，而是GPU时间。AI效率提升不会消灭算力需求，反而会创造更大的需求——理解这一点，才能看懂AI下一轮价值迁移的方向。

本期要点

涨价真相：DeepSeek涨价不是成本失控，而是需求增速超过算力供给，价格变成了计算资源的调度工具（Traffic Shaping）。

杰文斯悖论：煤炭效率提升反而让总消耗增加——AI正在重复这个过程，模型越便宜，算力总需求越大。

成本误区：AI真正烧掉的不是电，而是资本；决定Token成本的是 GPU折旧 ÷ 有效产出，利用率就是资产回报率。

开源 ≠ 便宜：开源省的是模型获取成本，不是推理成本；真正便宜的是高利用率的规模化算力。

价值迁移：产业价值正从"谁模型最强"转向"谁能最高效地运行模型"，流向推理基础设施、算力基础设施与高ROI应用。

商业模式演进：从 Token Economy → Task Economy → Outcome Economy，未来卖的不是Token，是结果。

00:00开场：DeepSeek涨价事件与AI成本迷思

01:14 第一部分：DeepSeek为什么涨价？——需求增速超过算力供给

02:01 AI时代：GPU需求与算力拥堵的挑战与机遇

04:02 AI模型效率提升引发的GPU需求增长现象分析，投资人需关注的成本因素

06:03 开源模型的成本优势：理解J nghệ人为何更容易降低成本？

08:09 AI产业进入成熟阶段：效率能力成为关键，模型能力竞争逐渐饱和

本期提到的概念

杰文斯悖论（Jevons Paradox）：19世纪英国经济学家William Stanley Jevons提出——资源利用效率提升后，成本下降反而刺激更多使用，最终总消耗增加。

Traffic Shaping（流量整形）：通过价格差异调节算力供需，高峰期提价、低峰期降价。

Over-provisioning（过度配置）：自建算力为保证高峰稳定而提前购买额外容量，导致设备闲置、成本空转。

推理优化技术：MoE架构、KV Cache、Batch Inference、Continuous Batching、Cluster Scheduling、Model Routing。

商业模式三阶段：Token Economy（按Token计费）→ Task Economy（按任务计费）→ Outcome Economy（按结果计费）。

一只 450 亿美元基金，几个星期消失 350 亿。管理人只有 25 岁，写过 165 页 AI 长文，费后回报曾达 439%。他看对了 AI 的长期方向，却没能活到反弹发生。本期用一集拆解：为什么一个判断顶尖的人，会把自己塞进一套无法撤退的结构？我们又该怎么避免"看对方向却输光一切"？主播把完整教训整理成一套可复用的"五道门"决策框架，并延伸到 AI 时代人人都容易踩的新坑。

本期聊了什么：

六个交易日，350 亿如何消失；"死于杠杆"为何是句废话

他不是在炒股，是在把自己的世界观证券化

看见未来 ≠ 抵达未来：终点与路径的区别

老虎基金、LTCM：看对却输掉的天才传统

知识如何变成牢笼：偷换与沉没成本

五道门框架：方向 / 路径 / 博弈 / 证伪 / 决定权

AI 时代，得到解释的速度超过验证解释的速度

00:00 开场｜美股反弹，AI 股神却已出局

01:14 一、六个交易日，350 亿美元消失

03:03 二、投资自己的世界观

05:07 三、看见未来 ≠ 抵达未来（终点 vs 路径）

07:03 四、华尔街不缺看对却输掉的天才（LTCM / 老虎基金 / 2007 量化崩盘）

09:31 五、知识是怎样变成牢笼的

11:25 六、五道门（含 5 个子时间戳：11:47 / 11:59 / 12:18 / 12:47 / 13:05）

14:08 七、AI 时代批量生产错误

15:48 八、真正的财富是决定权

17:40 结语 + 互动

14:06 AI带来的信念放大与认知对手：在信息时代如何保持理性？

16:08 保持留在牌桌上的权利：创业、投资和股票交易的智慧

嘉宾推荐 / 延伸阅读： 

� Leopold Aschenbrenner《Situational Awareness》（态势感知） 

� 索罗斯《金融炼金术》（反身性） 

� 纳西姆·塔勒布《黑天鹅》（极端风险）

Kimi K3 把顶尖模型价格砍到三分之一。差距只剩几个百分点，你还会为闭源多付三五倍吗？开源正逼巨头重算王冠价值。

有人花 66 万美元、用 80 张游戏显卡，跑起了地球上最强的开源模型。这期讲清楚一件事：Kimi K3 真正的对手不是显卡，是 OpenAI 和 Anthropic 靠"我们明显更强"撑起来的定价权——这个前提，正在被压到只剩几个百分点的差距

时间轴

时间章节

00:00 开场 — 80 张 RTX 5090、66 万美元、每秒 20 个字：开源第三天最真实的成本画像

00:15 真正的对手 — 2.8 万亿参数权重上线，30 分钟破 4000 赞，但这不是"中国模型又行了"的故事

00:39 先把账算清楚 — DeepSWE 测试上，K3 比 GPT-5.6 Sol 差 4 个百分点，价格却便宜 4 倍多

01:32 便宜的持久性 — K3 像愿意加班的团队：多走 37 步，账单反而便宜 45%

02:23 但它还没赢 — 说清楚：K3 综合能力仍排第三，跑分优势要打折扣看

03:19 它凭什么又好又便宜 — 全篇核心：稀疏 MoE、KDA 长上下文、AttnRes 跨层残差，缩放效率提升 2.5 倍

06:07 开源了，但你跑不动 — 1.42TB 权重，压到 1-bit 也要 610GB 内存起步

07:39 免费的权重，收费的边界 — 许可证里的真实门槛：年营收 $2000 万以上必须单独签约

09:01 对手 — 闭源溢价的前提正在松动，硅谷反应两极

10:06 钱会流向哪 — 多模型调度、推理基础设施、Agent 治理，三个下游方向

11:24 结语 — K3 没有摘下王冠，但让所有人重新算了一遍这顶王冠值多少钱

这期讲了什么

K3 的便宜不是补贴烧出来的，是架构换来的——MoE 扩宽度、KDA 扩长度、AttnRes 扩深度，三个方向同时拉开，换来相比上一代 K2 约 2.5 倍的缩放效率

K3 没有登顶，它做的是另一件事：把差距压成几个百分点，价格砍到三分之一

开源不等于能在家跑——权重能下载，但从硬件到推理引擎，官方压根没给"在家跑"铺路

许可证不是简单的 MIT：开源解决了能不能拿到，没有放弃谁来赚钱

核心问题留给所有人：为了最后这几个百分点，你愿意多付三倍、五倍的钱吗？

关键数字

数字含义

2.8 万亿 / 1040 亿总参数量 / 每次实际激活参数量（激活比例 1.8%）

16 / 896每次上场的路由专家数 / 专家总数

2.5×相比 K2 的缩放效率提升

75% / 6×KDA 最多省下的 KV 缓存 / 解码吞吐量最高提升

$660,000+80×RTX 5090 方案的可复现硬件报价

$20,000,000触发 MaaS 商用签约条款的年营收门槛

1/3K3 相对闭源旗舰的价格水平

参考资料

Moonshot：Kimi K3 技术报告（PDF） · 官方博客 · GitHub · Hugging Face

Nathan Lambert：Kimi K3: The open-weights escalation

Artificial Analysis：Kimi K3 与 GPT-5.6 Sol 对比

DeepSWE：排行榜

AI产品遍地开花，但真正活下来的是谁？不是技术多强，而是它是否真的嵌入了某个人的工作与生活。用海德格尔四个问题追问：它在哪存在？如何被使用？团队从哪出发？明天消失谁会心疼？别再只讲模型和Agent，先问为什么值得存在。

02:02 AI产品：从代码到任务，寻找工具的意义

04:04 AI产品成功的关键：从功能到任务的转变，用户体验与工作流程的完美融合

06:04 AI产品失败时，用户看见了什么？思考海德格尔的背抛描述

08:05 从现实走向可能性：筹划团队的被抛状态与起点选择

10:06 A I产品的核心命题：海德格尔的哲学方法与产品定位

12:06 超越术语表的哲学方法：拆解AI产品核心命题

企业疯狂拥抱 AI，但现在问题来了：烧掉的 token，到底换来了什么？
从 Palantir CEO Alex Karp 的公开炮轰，到 Uber、微软、亚马逊、Meta 开始收紧 AI 使用预算，企业 AI 正在从“随便试”进入“算清账”的阶段。

这场变化背后，不只是 AI 成本失控，而是整个 SaaS 商业模式正在被 Agent 重新定价。传统 SaaS 靠“人头 × 席位 × 订阅费”收费，但当一个员工可以带多个 Agent 工作，席位费、调用量、结果付费和治理成本都会被重新谈判。


真正的赢家，可能不是会聊天的 AI，也不是简单加了 AI 按钮的软件，而是那些能让 Agent 在企业里“看得见、管得住、跑得稳、算得清”的基础设施公司。


本期我们聊：
SaaSpocalypse 到底在恐慌什么
为什么 token 是成本，不是产出
CFO 为什么开始介入 AI 预算
Agentic Solutions 和 Agentic Infrastructure 是什么
Snowflake、ServiceNow、Datadog、Flexera 等公司在抢什么
SaaS 公司如何在 AI Agent 时代重新获得收费权


一句话简介
AI Agent 没有杀死 SaaS，但正在重写 SaaS 的定价权和收费逻辑。


#AIAgent #SaaS #人工智能 #企业软件 #AgenticAI #AI商业模式 #Token成本 #Snowflake #ServiceNow

章节
00:00 企业开始质疑 AI Token 成本
01:12 SaaSpocalypse 的真正恐慌
03:05 传统 SaaS 收费模型被动摇
05:18 什么是 Agentic Solutions
07:20 CFO 为什么先醒了
09:15 企业部署 Agent 的四堵墙
11:30 四类基础设施公司在卖什么
14:08 下一批赢家是谁
16:25 SaaS 巨头的改命之战
19:10 别问 SaaS 死没死
Chapters


View all