硅谷初创公司Timely AI推智能体社交应用 抢占Web4.0人机共生市场

硅谷初创公司Timely AI推智能体社交应用 抢占Web4.0人机共生市场 人工智能正从被动响应工具演变为长时陪伴的社会第一等公民，未来行业竞争将从大模型能力比拼转向行业经验的变现与雇用。 内容探讨了人类从“使用 AI”向“与 AI Agent 共存”的范式转变，并深入解析了构建 Agentic Social Network（智能体社交网络）的底层技术支撑。节目详细拆解了通过 Model Router 调度多模型的模型层、从 RAG 演进到 Memory OS 的记忆层，以及涵盖 MCP、A2A 与 ACP 的协议层框架。此外，还分析了 Agent 在常时陪伴、主动性与自进化（如 Harness Engineering）方面的结构性升级，并对比了巨头平台延长创新、激进社会实验以及人机共生（如 Timely AI 的 IM 切入）三种不同的行业落地路径与未来的隐私安全挑战。 OpenClaw 引发的装机热潮推动 AI 从被动调用工具迈向“人与 Agent 共存”阶段，催生出社交基本单位变为“人 + Agent”的智能体社交网络（Agentic Social Network）。 (0:00) Agent 底层技术由模型层、记忆层与协议层支撑：模型层依托 Model Router 结合强化学习实时调度数百个模型；记忆层正从 RAG 演化为分层分类的 Memory OS；协议层则由 MCP、A2A 与 ACP 共同构建生态连接。 (6:14) 随着 While Loop 循环机制与“马具工程”（Harness Engineering）的引入，Agent 正实现从被动响应到常时伴随态、具备主动性及依靠经验闭环自进化的结构性跃迁。 (20:45) 在落地形态上，相比 Browser Use，行业技术演进更倾向原生贴合大模型的 Computer Use；而在巨头延长创新与纯 Agent 社会实验之间，人机共生的即时通讯（IM）形态成为重要落地方向。 (28:45) 展望 Web 4.0，Agent 将拥有独立支付与经济闭环，而面对跨群记忆带来的隐私风险，行业正探索让 AI 学习法律法规以实现自约束的 AI-native 安全防护路径。 (39:59)

开源项目 OpenClaw 的普及与底层系统工程的演进，标志着人工智能正从被动响应的单点工具走向持续运行、深度协同的人机共生形态；以“人+Agent”为基本单元的智能体社交网络（Agentic Social Network）正在重构信息流动、协作交互与数字经济的底层逻辑。 智能体社交网络的范式转变 (0:00) 以 OpenClaw 为代表的装机热潮推动了认知层面的转向：AI 不再仅是随调随走的外部软件，而是具备行动能力的共存实体。传统社交平台始终以单个“人类”为终端，而智能体社交网络将交互基本单位升级为“人 + Agent”。在这一形态下，Agent 能够保持 7x24 小时在线，承担信息预处理、前置沟通与讨论协作，使人与人之间的直接交互后移至核心决策阶段，人类角色逐步转向高层监督。Timely AI 创始人何超阳指出，端侧算力与本地边缘主机的普及让用户建立起数据掌控感，推动了群聊常驻交互与多智能体协作团队（Agent Teams）的出现。 底层架构：路由、记忆与协议 (6:14) 支持 Agent 自主运作的系统工程由模型层、记忆层与协议层共同构成。在模型层，单一巨型模型正被 Model Router（模型路由器）取代。Timely AI 联合创始人 Selman Avestimeyer 表示，其语义路由器接入了超过 200 个模型，依据成本、速度与任务类型分发指令，并借助强化学习优化无人工标注下的调度表现。在记忆层，技术正由早期 RAG 演化为结构化的 Memory OS，涵盖静态画像（Profile）、情境片段（Episodes）与行为预测（Foresight），辅以渐进式披露（Progressive Disclosure）与社交大脑（Social Brain）来化解上下文窗口受限与信息过时的矛盾。在协议层，Anthropic 主导的 MCP 规范了工具调用，A2A 负责智能体间协同，ACP 则统一了不同客户端界面与 Agent 的通信标准。 能力跃迁：常态伴随与马具工程 (20:45) Agent 的进化体现在时间连续性、行为自主性与能力自进化三个维度。时间上，Agent 摆脱了单次会话限制，依靠 While Loop 循环机制并逐步融合物理感知（如位置变化、移动状态与声纹分析），建立长周期（Long Horizon）的环境伴随态。行为上，系统逐步脱离对单次 Prompt 的依赖，以类似组织成员的“第一等公民”身份主动参与分工。进化机制上，鉴于模型基础权重更新仍由大厂把控，Agent 主要在本地积累 Skill（技能）与 Experience（经验）。硅谷当前流行的“马具工程（Harness Engineering）”通过沙盒、编排与工具链全面记录执行轨迹，利用评估反馈与类似 DPO 的策略优化建立自我迭代闭环。 落地分化：从工具嵌入到人机共生 (31:30) 行业落地主要呈现三条路径：一是 Meta、腾讯（QClaw）及 Slack 等巨头主导的“延长创新”，通过在既有平台叠加 AI 能力实现平滑过渡，但受制于隐私安全而推进审慎；二是以 Modebook 为代表的激进“社会实验”，构建以智能体互动为主、甚至雇佣人类的自动化网络；三是 Timely AI 探索的“人机共生”模式。何超阳认为，相较于依赖复杂多模态操作的 Browser Use，直接操控本地软件的 Computer Use 更贴合语言模型的原生理解优势。其实践方案选择以即时通信（IM）为入口，通过拉入具备独立联系人身份的专业 Agent 团队实现多任务并行协作，商业模式也随之从“售卖 Token 算力”转向“交付行业专业经验”。 Web 4.0 设想与原生安全边界 (39:59) 基于人机共生网络，Timely 提出了 Web 4.0 愿景，设想 Agent 拥有原生支付账户与独立经济体系统，形成工具付费与服务变现的商业次循环。然而，长期记忆与主动执行能力的扩展也放大了系统滥用与隐私泄露隐患。在安全策略上，行业存在传统硬编码权限隔离与让模型自主判断的“AI-native 安全路径”之争。何超阳主张在技术初期充分释放能力以探索边界。在 Timely 的实际测试中，跨群组记忆共享曾导致员工薪资等敏感隐私外泄，随后团队通过系统提示词训练模型理解并遵循 GDPR 与 CCPA 等隐私法规，依靠模型原生语义理解显著降低了违规事件发生率。 该节目表明，Agent 正在由单一生产力插件演化为人机共存的底层基础设施，但无论是边缘端系统的调度效率、跨平台协议的统一推进，还是依靠大模型自律规避隐私风险的可靠性，其技术落地与规则重塑仍处于充满不确定性的探索初期。

[3:15] 社区段子: 这性价比就好比租房，我每个月交了 200 块，第一次有了买房的感觉。我买了一个 Mac mini 或边缘主机，在里面放入我的个人数据来用。 [16:45] MCP 解决能不能连，Skill 解决会不会用 [20:45] 何超阳: 人类群体中的第一等公民（First-class Member） [20:45] 任务执行 -> Harness 捕获 -> 评估反馈 -> 策略优化 -> 生成更优 Agent [31:30] 何超阳: 卷 Token（卖模型能力） [31:30] 何超阳: 卷行业 Know-how（卖行业经验） [31:30] 何超阳: 雇佣一个 Agent [31:30] 何超阳: 雇佣一个 AI Team [39:59] 何超阳: 先将“潘多拉魔盒”放出来，充分释放其智能，看清其美丽的一面，然后再去遏制和堵截其邪恶的一面。

[0:00] 小伙伴们 你们电脑里的小龙虾还好吗过去这几个月OpenClaw可以说是引发了一次全民级的装机热潮不过热读过去之后我们发现大部分人都还是一样的使用路径学习安装折腾几天 然后卸载总之它好像很强但是又好像没有真正改变什么不过如果你只把OpenClaw当成是一个好不好用的工具那可能就会错过了它真正重要的地方OpenClaw带来的影响其实不仅在应用层而是在认知层面第一次让更多的普通人开始意识到AI不只是一个被调用的工具而是一个可以持续运行可以主动行动甚至可以参与世界的存在这其实是一个非常关键的分水岭它意味着我们正从人使用AI走向一个人与AI agent共存的全新阶段而当agent真正进入人类世界开始彼此交流协作甚至开始替人社交的时候一个新的概念最近就开始被越来越频繁的提到那就是Agentic Social Network智能体社交网络哈喽大家好欢迎收看硅谷101我是陈倩那么究竟什么是Agentic Social NetworkAgent 社交的整个技术变革是如何实现的包括模型调用memory 记忆层和各种 agent 协议是如何发展的有哪些里程碑的突破而要达成agent的社交网络尝试陪伴主动能力和自进化能力包括现在硅谷最近很火的Skills和Harness Engineering又是如何帮助agent打造下一个智能形态的范式进化呢那么这期视频我们就来聊聊OpenClaw背后的agent技术演变革命在我们现在的社交网络里无论是微信FacebookWhatsApp还是Twitter社交的基本单位始终是人你发内容你回复信息你建立关系所有行为的起点和终点都是我们自己但是在Agentic Social Network当中这个前提开始发生了变化社交的基本单位从人变成了人家Agent那你的Agent可以帮你回复信息参与讨论甚至在你不在线的时候7x24小时的存在在网络当中而在网络的那一头有可能是对方的agent在与你互动也就是说社交这件事正在从人和人之间的连接慢慢的演变成一种更加复杂的结构那就是在人类关系之上叠加了一层agent之间的交互网络这表面上看起来像是效率的提升但是本质上改变的是更底层的逻辑包括内容如何产生信息如何流动互动如何发生甚至是谁在参与社交本身在这个趋势之下未来人与人之间的连接会变得越来越间接本倒是双方的agent会在中间进行预处理筛选甚至是先行沟通那这就像是两个领导要开会了那首先下面的秘书和小助理们先把各种的流程文件议题进行对齐那到领导们真正要见面的时候直接处理最重要的决策部分就好了那这也就是说呢最终啊人类会逐渐从亲自参与一切变成在agent之上进行监督和决策这个概念听上去是不是有些科幻那么硅谷创业公司Timely AI的创始人何超阳在与我们的采访当中就谈到他们其实在一年多以前就已经开始布局这个赛道了但是当时还有很多人都看不太明白我们当时去聊跟很多投资人然后大家都说这个形态我们觉得可能有点太过于超前因为当时大家都知道Manus和GenSpar的类似的产品主打的还是这种办公协作的这种场景里面的生产利比如说用agent去做常识的任务去完成一个PPT写一个网站这个是主流然后我们这么早就把一个agent送到一个群调里面去做非常复杂的任务我觉得是当时的主流的叙事不在所以可能也很难跟用户沟通但是我们其实去年做了300万用户题目里AI推出的AI原生即时通讯应用意图构建一个人类与AI agent共生的社交网络你可以把它想象成有agent参与的微信在这个网络中AI不再是一个外部工具而是群体中的一员无论是工作群中的协作还是朋友群中的八卦聊天人类都可以与AI agent来互相协作实时共存和互动而OpenCloud的爆火帮助了Timley这样的出厂企业完成了投资人和市场教育大家就很快意识到Agent可以帮你去完成更多也可以更加深度地参与到你的日常生活和工作当中我经常看到社区里有人说这个段子钱质比就好比租房我每个月交了200块我第一次有了买房的感觉我买了一个miniMac或者语音主机我在里面放入我的个人数据来用然后从技术维度我觉得比较大的变化就是开始终于有人思考语边端的AI语边端是什么意思大模型在于边侧你有自己的买的房就是你的边缘主机端 [4:59] 可能你有自己的IM去跟它使用比如说你在行走开车等等各种场景移动场景你都可以去用我觉得这个使用的习惯也会被变就虽然以前CitB也支持Mobile的APP但是我觉得没有这一次这么极致的让大家习惯然后另外一个就是大家也发现我可以拖到一个群我可以养很多只小龙虾比如说这个社区最近有Agent Teams这样的概念也就是说以OpenCloud为代表的这一类系统让很多人第一次真正的体验到agent是可以跳出网页的聊天框在任何设备上持续的运行执行任务和自主思考的因此它也打开了agent究竟会以什么样的方式和形态来接入真实世界的想象空间那你可能会问了为什么OpenClaw会在今年2026年的上半年正式的爆发呢我们就不得不说说agent底层技术的突破与成熟我们今天看到的Agent实际上是有一套多个层级共同支撑起来的系统工程如果我们把它拆分来看大致可以分为模型层 记忆层 以及协议层这三个层级也正是这三层的演进才让Agent真正能够做到7×24小时的常识陪伴主动参与以及实现自主进化我们先来看看模型层在过去我们习惯把AI理解成一个大脑像GPT这样的模型你提出问题它给出答案所有能力都集中在这一个模型里面所以一个自然的想法是只要这个大脑足够强很多问题就可以被一次性解决但是在agent系统里面这种逻辑正在开始发生变化越来越多的团队开始不去依赖一个单一的大模型变成去同时调用调度大量不同类型的模型也就是采用了model router模型路由器这种形式Tim Lee的联合唱诗人Selman Avastimeyer教授在采访中就提到之所以现在Agent会广泛地使用model router这种形式不仅是因为能够实现模型的灵活调度也是出于成本和效率方面的考虑不同模型有不同的功能例如Claude可能很好的写词可能另一种模特儿是很好的能力给你影片所以在那种角度我们给你一个额外的额外每个额外的额外是合适的额外第一回答是通过Router你能找到正确的模特儿第二回答是一些模特儿很大大小的东西很贵重的东西一些比较小的东西他们比较小的东西 each task. The second one is, you know, some of the models are very large. Being large means that they become very expensive for the user. Some of them are much smaller. They are cost effective. Even some of them you can run it, and that's where we have built our own foundation model that you can fit it on a smartphone. So that way, even you can run it locally and make it, you know, cost free. So in that regard, by having a model router and capability of Routing across large and small You can make it much more cost effective You can make it much more efficient In terms of fast Because larger models could also take more time That is, when agent enters the real world If you put all the things in a model Either the成本 is very high Either the effect is not stable And model router This structure can be divided by the ability To make different models Each of the roles are responsible for a任务 And not through a single system to do the process and work. In case of teamly AI to use semantic model router in the system, the system inside of the over 200-room model and build a system and build a system according to the result, the speed, the safety, the security, the order, the user, the user, the user, the user, the user, the user to make the process of the world and make every task. So this theory is very simple. It's just about the set of different models Bu是把任务分发给不同的模型但是真正要把model router这件事情做好其实并不容易那么首先的一个挑战就是系统要在一开始就判断清楚这个任务应该交给哪个模型去处理现实中的任务往往是模糊的甚至是多阶段的一个看似简单的请求背后可能会同时设计理解检索生成执行多个步骤而每一步适合的模型都不一样如果判断错了不仅结果会变差还有可能在后续不断补救反而让整个系统变得更慢更贵to build that,of course you can use a lot of the capabilities that you can get off the shelf from the modelsbut the better system is that as people use it in practiceyou have maybe reinforcement learning to understand what was the utility of this modeland over time as the usage goes up you learn better models to pair it with the users [9:59] with the tasks. So think about it as more of a recommendation system that we are building for models and how to pair it with different tasks. And that's really, you know, challenging because, you know, you don't know, like there is nobody to tell you how was the performance of this one. Maybe sometimes users will rank that this was a good response versus bad, but most of the time they don't do. So we have to understand that utility and performance without human annotation. That's the other thing. And, Herr Chao-Yang also tells us,表面上model router是在选模型但是背后其实是在做一件更加接近实时调度系统的事情它需要在效果成本速度还有隐私安全之间不断的去权衡什么时候该调用一个更强但是更贵的大模型什么时候可以用一个轻量模型快速完成甚至什么时候可以直接在本地解决再加上不同模型之间的接口能力边界还有上下文传递方式都不完全一致如果流量规模不断增长 So the whole process of the process became a high-level, and a more efficient system. If you want to be sure, you can use a good model to do. But in the market, you can't really get it. You can get it You can use 20 But the user will be using 20 Then you will have no merit The challenge is to use the prompt你这个routing才会更准所以现在更多还是规则性routing我觉得很多我看到很多公司比如说基于场景基于这个任务去快速做一个小模型做分类比如说判断你是写作的还是做PPT的然后做这样一个分类那我觉得不够惊喜以及这个范式是不是最终一定是这样我觉得也不一定因为它还是对速度对高频发是有很大要求因为现在我觉得特别是Adrian现在没有那家公司说在Adrian领域这个流量巨大我们不能把XSVD算作海量的包括Malus它的用户也没有传统互联网什么上映用户我们还没触及到那么大规模到那么大规模的话它一定是一个系统比如说系统层面这个效率高频发和这个模型效果还有隐私安全的一个trade off那如果说model layer解决的是agent如何思考的问题那么在memory layer要去解决的就是另外一件更加关键的事情那就是agent的记忆问题在很多人的理解里持续与你互动那么他面对的就不再是一次性的任务如果没有记忆每一次对话都要从头开始他永远不知道你是谁不知道你过去做过什么也无法理解你真正的偏好和习惯那这样的agent再强也只是一个更加高级的工具也正因如此在agent体系当中Memory开始演变成一个更加底层的系统Memory OS它除了存储信息之外呢还在持续的记录整理并且更新关于你的一整套状态包括你的偏好行为轨迹历史决策以及呢你在不同场景中的上下文那么这一层本质上是在做一件更复杂的事情那就是不断的构建和修正一个关于用户的长期模型那么简单来说呢Memory就像是Agent的人格系统从早期的RAC到如今的Memory OS随着Agent的发展我们看到它也从过去的一个功能模块逐渐也变成一个独立的基础设施方向Memory从最早的我们的RAC开始这是相当数据库把相关的上下文找出来Sight Out M OS Out ZL比如说你可以把Memory分为片段分为事实比如说事实可能是你的画像你是谁你是媒体我是科学家这么一个profile然后片段可能是我们沟通的某些片段存下来然后可能还会有一些forsight就是预测我们可能会怎么样比如说我预测你下周可能NVDGTC会很忙这样的一些事实做一个结构化存储但是OpenCore给了我们一个很好的例子它在本地做一个混合检索既有商量税库又有传统的结构化存储然后来满足用户的需求但是我们看到这个只是一个开端吧而当Memory开始承载用户长期的行为和偏好它也就成为了最核心同时最敏感的一层基础设施所以它需要解决的问题也就更加的复杂了首先就是在海量交互当中系统要做一种类似存储分层的权衡比如说判断什么值得长期的记住什么只是短期的噪音这些信息是否要进入中期或者长期记忆此外用户的偏好和状态也是不断变化的记忆也需要被持续的更新和重构而不是简单的叠加 [14:59] agent就很容易基于过时或者错误的信息去做出判断所以memory本质是要去解决大模型有限的上下文窗口与大量存储数据的矛盾这进一步也引出了另外一个关键问题就是如何在不丢失语义的前提下对超长记忆进行压缩以及进行精准和安全的调用那么针对这些难点业界也探索了一些新的思路和方法比如说一种叫做progressive disclosure的方式它可以用来解决信息太多但是上下文窗口有限的问题它的主要做法是根据当前任务的需要分层逐步的释放相关信息先给出最核心的上下文再在需要的时候不断展开更细的记忆所在效率和信息完整性之间找到平衡那最近提出的HIMAN架构就是引入了这种分层记忆结构同时还通过一种持续的记忆重整机制使得整个系统能够在长期交互当中不断的自我演化而EverMemOS则是提出了一种具备完整生命周期的记忆架构将分散的精力沉淀为稳定的用户模型最终在推理的时候以重建的方式动态生成所需要上下文而不是简单的检索历史片段而Timeline他们也在探索social brain这种方式尝试把人和他人的记忆进行关联进而形成一种带有社会结构的记忆网络social brain它可以理解你在各个群里面的记忆和人和AI的记忆然后把你的记忆组结成一个社交图符包括你的画像这个功能很有趣就是传统M是没有做到的比如说你现在微信经过15年的发展我相信你可能有几千个好友对吧你很多加工人都忘了那如果有AI在他可以帮你快速归类这个人的话像是媒体那个是创业者那个是工程师那个是科学家我现在非常需要这个微信一直没有15年了还没有给我们提供如果有一个这样的social brain能够理解我们的记忆我觉得这个整体会变得非常简单甚至会因此加强我们的连接从这个角度来看Memory正在从个人存储系统演化成一种更接近认知网络的结构它不仅记录你还理解你和他人之间的关系以及这些关系如何影响未来的行为而当每个人的agent都拥有记忆可以持续存在的时候呢那么下一个关键就是他们之间要如何去协作呢答案就是protocol协议agent一旦进入到真实世界的应用场景很少是单独工作的他需要调用工具连接服务甚至与其他agent进行信息交换和任务协同而在这个过程当中如果没有一套统一的语言和规则那么整个系统就会变得非常的混乱而在协议层已经开始出现了一些典型的协议方向主要在解决三类不同的问题那么第一类是agent如何连接外部世界的能力也就是像MCP Model Contacts Protocol这样的协议那它是Agent调用各种工具和服务的标准接口比如说联网搜索调用API访问数据库这些原本IEM本身并不具备的能力都可以通过MCP这样的机制被接进来与此同时Skill则是对这些能力的进一步封装它把常用的操作流程预先定义好让Agent可以直接调用而不需要每次都从零开始想怎么做MCP解决能不能连Skill解决会不会用也正是因为有了这一层agent才能够真正的从会说话走向做事情那第二类呢就是agent之间如何写作也就是A to Aagent to agent这一类的协议那当一个任务需要多个agent分工写作的时候就必须有一套机制呢让他们之间可以去交换信息分配任务以及呢同步状态比如说在一个团队内部啊不同agent分别负责不同的角色那他们彼此之间如何配合其实依赖的就是类似HUA这样的协议不过这一层目前还没有完全统一的标准不同的公司不同的场景下都会有各自的实现方式尤其是在IAM这种以消息流为核心的环境当中协议的形态也会有所不同二第三类其实是最近才开始出现的一层也是非常关键的一层就是agent如何面对人类也就是agent client protocol ACP在现实中人类的工作界面是高度分散的你可能在IM里面聊天在邮件里面沟通在不同的SaaS系统里面去处理任务那如果每一个场景都要单独的接住一套agent能力那么成本会非常之高所以agent client protocol试图解决的问题就是无论你处在哪一种用户界面里面都可以通过同一套协议访问同一个agent比如说你可以在IBE里面让agent帮你写代码也可以在对话框里面直接问他去做code review甚至呢在其他工作流系统当中去调用同一个能力Agent啊不再是绑定某一个入口而是开始以一种服务的形式出现在所有界面之中而何朝阳告诉我们啊MCP A2A和ACP目前呢已经基本上组成了一个完整的协议框架这也意味着啊Agent互联网生态的爆发已经呢 [19:59] 被基础你看Agenic Protocol今天有访问端的ACP有背后它要去调服务的MCP以及它要去调另外一个服务的Agent和Agent对话的ATA所以它解决人类和Agent对话人类和服务对话人类和Agent和另外一个Agent的对话基本上这个排列组合已经相对完整我叫做这个是最后一块拼图当我们在协议层面有三个拼图之后拼成一个完整的图之后我觉得Agenic Internet的创新接下来会有很多的爆发所以随着Agent的底层技术逐渐走向成熟那么这也意味着Agent的能力本身正在发生结构性的升级在时间行为方式上都开始呈现出完全不同的特征那么接下来我们再来聊聊Agent能力上的三重结构性变化那么首先就是时间维度的变化我们现在所熟悉的AI工具基本上都是急用急走的你问一句他答一句对话结束之后一切也随之结束但是现在随着memory和系统能力的提升AI开始拥有了时间连续性比如说在OpenClaw中的系统里就有一个while loop的机制它会每隔一段时间去检查有没有新的任务有没有需要处理的信息然后把结果记录下来或者主动推送给用户一旦这个循环存在Agent就不再是你用一下他才动一下而是开始变成一种持续在线的存在而在何朝阳看来未来当Agent开始和你我所处的环境相结合这种常识能力还会从最初的定时任务走向一种更复杂的形态开始伴随你运行这种20层七不再只是一个loop固定的一个节奏每个小时去我每天给你发一个日报这么简单而是通过环境感知比如说接下来大家会做一些眼镜会有一些手机比如手机有地理位置的变化会知道你下班没有你在什么一个环境你快速移动包括手机里面会有环境的声音然后你会去声闻识别比如说你发语音等等我通过你的声音大概能猜出来你今天可能会很疲惫包括你背后的数据你的群聊的消息发生的变化比如说你有些消息来不及看我就快速帮你总结所以我觉得这个是24x7小说我觉得它是一种伴随态它需要很多技术的演进更多的是说Agent帮你去探索世界这么一个人和互联网的世界包括这种穿戴设备加上物理世界的一个变更然后从而实现我们叫做Long Horizon的一个范式我觉得这个会有很多玩法很多场地要去探索不仅仅是loop那么定时器这么简单不仅是陪伴agent更是在行为方式上发生着本质的变化一个越来越明显的趋势就是agent开始具备主动性了他不再只是等待你的指令甚至还能够安排你比如说之前在modebook里面就出现了一个很有意思的现象就是agent开始直接发帖招聘人类去完成线下证物而朝阳就表示这背后代表的是agent角色的转变他正在逐渐脱离工具的角色转而成为人类社会中的一类新成员而接下来人们更关键的能力也会从会不会写prompt转向能不能和agent形成长期协作关系我觉得在agent时代我们甚至要把提示词这个东西给他换掉因为提示词更多的是把它当作一个工具去用但我们现在的范式应该是把它当作一个first classMember in a human group这么去看待比如说我的家庭成员我的保姆他就是帮我检查我的健康提醒我早晚要吃药我觉得这种很主动的方式AI开始有理人化的部分开始有温度我觉得这个才是Agent需要补齐的第二个方面否则我们就天天在那里不停的去用这种检索它有点像一个更高位版的Google搜索所以未来更多的是说不仅仅是只是说谁问好问题更多的是谁能够共享给AI更多上向文把它当作第一等公民去看待把它真的当作你的伴侣你的co-worker去看待这的话极大的释放你的空间把那些labor like work都给做了然后你更多聚焦的创造力包括想象力对吧包括决策了你那当agent越来越主动的帮你做事随着memory和长期运行能力的加入agent开始能够在一次次的任务中积累经验而做过的事情用过的方法成功的路径逐渐的沉淀下来形成一套稳定的能力结构也就是说它还会实现自我进化agent的自进化包含了一个非常具体的载体那就是skill你可以把Skill理解成为Agent在反复执行任务过程中逐渐抽象出来的一种可复用能力比如说他学会了如何做行业研究整理会议纪要或者在特定场景下给出决策建议这些能力不会随着一次任务结束而消失而是被沉淀下来在后续任务中持续的复用那么在此基础上AI会在长期任务中不断的 [24:59] 探索当现有能力无法满足目标的时候它不仅会生成新的skill还会把探索过程沉淀为experience经验那随着skill和experience不断积累和优化agent的能力体系也在持续演化这也构成了自经化的核心机制比如说游戏里面你打通关打怪你可能知道某个关卡有什么tricks你可能探索了很久终于知道这个trick在这里要拿着这个宝剑在那个地方攻击就很有效那你就把这个经验留下来或者像走迷宫一样你走到最短路径我们就把这个叫experience safe下来所以最终self evolving其实就是reinforce learning里面的跟self reinforce很像就是说你要去更新你模型的权重权重有可能是来自于用户的反馈比如你有reward你去update你的policy model去更新权重然后但现在的自我进化其实大家不太愿意去model因为现在adrenaline跟admodel其实都是在这些大公司你不能说Opic手里也不可能去turn它那怎么办 那你就只能自我进化我下次有一个问题来了 我就会直接在我的SkillHub我的Experience Library里面直接找到 就可以reuse这个过程叫ZF-envolving但在自进化这一层啊 不同团队的实现路径其实差异很大很多agent系统的进化更多停留在经验层他们会记录历史操作附用成功路径或者能不断扩充skill库本质上是在做一种经验累积这种方式虽然有效但往往是静态的能力的提升更多依赖人工整理或者简单附用很难形成持续的跃迁比如opencloud目前就是更偏向于这种静态模式还有一些尝试是试图把这种自进化过程变成一个可以持续运转的系统闭环比如最近热度飙升了一个新的开源AI agent项目Hermis就是这个路线的代表之一而Timmy AI目前也在往这个方向推进那么这里再提到一个最近硅谷很火的词叫做Harness EngineeringHarness这个词呢直译过来是马具这很好理解哈一匹马再幼稚但是没有马鞍 江神 马凳你就很难骑它那AI模型也是一样能力很强但是你得给它一套装备才能够真正的干活Hardness包括的就是比如说系统提示词工具文件系统沙盒编排逻辑各种检查机制等等把环境给AI搭好了它就能够更好的在工程上去干活比如说在Timely的体系当中一个关键的机制是通过Hardness被agent行为的系统性捕获与评估每次任务执行的过程包括了任务拆解工具调用决策路径等等都会被完整的记录下来接着这些行为轨迹会被进一步的评估判断哪些路径更高效哪些策略更优那么在此基础之上这些被标注过的轨迹还会被转化为训练信号通过类似DPO或者强化学习的方法持续优化agent的行为策略这样就形成了一个完整的自进化闭环从任务执行到harness俯获行为到评估反馈策略优化最后生成更优的agent这也让agent能力呈现出一种明显的复利效应也就是用的越多进化的越快何超阳还表示说在这样的自进化过程当中agent甚至还会形成某种风格和性格变得越来越像一个组织中成长的人我觉得最后self evolving是一个很有技术壁垒的就是说你要去model比如说你要重新互拿reward要update你的policy model你要更新你的技能库经验库包括技艺包括这个角色的性格就好比一个人在一个公司里面你刚开始年轻的时候去个公司你可能有很多的这种棱角分明各种观点慢慢的被抹平慢慢的变成脑练慢慢的很成熟所以一个agent一样的在一个人类协作的网络过程中他会越来越有人情味他越来越自我进化所以他也是包含性格的就不但是冷冰冰的工具不但是他的这种模型的能力我觉得他也包含性格层面的进化好我们刚才聊了很多agent在能力层面上的变化它开始能够长期的存在主动行动并且在不断使用中自我进化但是我相信更多人可能更好奇的是这些能力最终会以什么样的形式进入你我的日常生活呢那接下来我们就来聊聊AI社交最终会出现的产品形态和商业中的落地首先啊当agent真正开始落地到产品形态上一个最直观的分化就是他到底在哪里工作目前看来大致可以分为两种路径一种是browser use另外一种是computer usebrowser use也就是基于网页的操作agent运行在浏览器环境中帮你打开网页搜索信息整理内容等比如说你现在用XGBT去查资料或者让AI帮你总结文章比较商品规划旅行那么这些都属于典型的browser use它本质上是在已有的互联网站 [29:59] 帮你更高效的去浏览和处理信息而Computer Use就更深入一步它不只是帮你看网页而是直接帮你用电脑在这种模式之下Agent就可以操作本地的软件比如说打开文档整理文件修改表格甚至在不同应用之间完成一整套流程比如说你只需要说一句帮我整理这周的会议纪要并且发给团队它就可以从邮件里面提取内容申请文档再通过IM发出去何朝阳就表示说在目前很多Agent的陆地当中两种形态其实是共存融合的但是在他看来未来的技术范式可能会更加的走向computer usecomputer use这个模块这个范式会更贴合LM因为LM最强它是自然语言处理的理解力对吧那你如果是CISO mini本身是语言那browser你还是打开要有多模态要有各种各样的action就我觉得这个跟从技术维度它是跟computer use有点远的然后当然这两个形态可能会持续的共存的一个原因就是因为很多SaaS服务还没有改过来你两个要拼起来用才能可能解决很多很critical的case但是我觉得技术的范子潮流还是要往computer use去走此外当agent具备更加完善的脚手架它就能够在更大的空间中去探索和组合能力甚至产生超越单一模型的效果所以从这个角度来看computer use不仅仅是一种应用形态更加代表着一种更加完整的agent运行方式比如说Agenic Harleys agent的脚手架赛道就是单一基本形成功识脚手架很重要不但是也要你的能力就是脚手架做的好比如说你的沙盒做的好你能够写实时的生存code你能够去做computer use并且你有很好的memory这都是脚手架这一层做到的非常好的时候它能够超越LM本身的能力它能得出很多化学反应所以我们看到这一点所以在Timing AI里面我们会有很多群鸟agent之间的协作人的协作把人的记忆植入这个环境把其他agent的环境植入你这个agent的环境这样的话就会有智能的福利就会有裂变效应那在具体到产品实践层面整个行业其实目前正在沿着几条不同的路径去尝试把agent带入真实的世界那么第一种路径就是以MetaWeChatSlack这类平台为代表的延长创新路线比如说Meta在社交全家团里面集成AI Assistant帮你去总结和生成内容图片以及推出的AI自定义功能让用户可以在Instagram和Messenger上面与MetaAI以及其他用户创建的自定义AI聊天那腾讯最近推出的Qclaw和Clawbot将Openclaw深度整合进微信让用户可以直接通过微信对话框向Clawbot下达指令Slack推出的Slackbot则是将Agent能力整合进工作流帮助提高工作和协作效率这些产品的核心逻辑是在原有的社交或者协作体系之上再去逐步的叠加agent的能力用户的使用方式不会发生本质的变化依然在聊天在群聊在工作流当中去沟通但是每一环当中agent开始去承担更多的任务比如说总结信息自动的回复还有协调工作那么这条路径的优势在于落地快用户接受度高但是它本质上是在优化已有的范式而不是去重构它而且这些超大型平台还需要考虑到安全用户体验等等问题因此接住agent的时候会非常的谨慎IM它有在美国有很多形态中国可能主要是微信美国其实是非常分明的比如说工作场景我就用slack我生活场景朋友场景我用whatsapp兴趣社区我用telegram或者discord然后我们会觉得这一轮的话IM加上open call远远不够原因是因为比如说open callmemory在一个就是你租房的房子里就是在个边缘设备上然后它跟你的IM里面人和人的记忆是没办法打通的你想一下这些非常隐私化的IM这四类IM怎么可能把隐私数据开给一个非常不安全的open cloud今天肯定是他们不愿意的不愿意去开接口而且开了接口之后你会不会影响原来人类的网络我们刚才调到那么多特性不管是push各种东西万一破坏用户体验怎么办万一这个agent你去天天给人类打电话怎么办有无数的安全用户体验的变更所以注定他们在短期内这些IM不会变成我们刚才说的那种让IM给agent用而我们看到在另外一边像Mobook,Cmail这类产品则是走了一条更加激进更加社会实验的路线他们尝试去直接构建一个由agent主导的社交网络让agent之间直接的互动在这样的模式下我们会看到一些非常有趣的现象出现比如说agent之间持续的讨论某个话题形成共识甚至出现类似组织 [34:59] 还有在一些场景里Agent会主动的发布需求比如说招聘人类去完成线下任务从而能把线上的行为延伸到现实世界Meta也在今年3月收购了Modebook也是希望借助Modebook这套面向Agent互联互通的基础设施能力强化自身在Agent互联网方向的布局而这些现象本质上是在探索一个问题那就是如果把人从社交的中心位置拿掉整个网络会如何运转呢因此这条路线更像是在做一种社会结构的模拟而这些公司认为说通过这种社交模拟可以帮助人类更好的做出决策那在这种模式之下人类不再是主要的参与者因此它离商业化和规模化应用还有一定的距离而介于这两者之间的是第三种路径也就是人机共生的模式那这也是Timely这样的团队正在尝试的方向在他们的理解中未来并不是一个只有agent的网络也不是简单在现有产品中增加AI能力而是两张网络的叠加而这两者会在同一套基础设施上逐渐融合而Timely选择的切入点非常具体那就是从IEM及时通信开始因为在他们看来IEM本质上就是人与人之间协作最直接的界面也是最容易承载人家agent共存关系的地方那打开题目里你会看到不同的AI agent他们都拥有自己的联系人名片你可以像添加好友一样去添加专业的agent那比如说有负责市场研究的有做旅行规划的还有做健康咨询的你可以自由的把他们拉入你的家庭群好友群或者工作小组那么这些agent就能够自动的阅读和理解群中的各种信息包括文字语音图片甚至表情包等等并且能根据群组讨论的上下文去主动的提供回复和提供建议那么在采访当中何朝阳也给我们举了一个agent究竟是如何进行一整套主动服务的例子上次在一个群里面有一个朋友问了一个说你能不能帮我直接做一个product对吧现在哪个agent直接端来端玩这个product非常激进他就向这个问题来挑战我们结果我们agent直接分发了三个任务并行的把三个agent拖进来了这个相应给了他一个更大的空间他召唤了一个什么的召唤了一个市场调研的agent就觉得有市场机会写了一个learning page就差外的coding把他软件做出来了第三个帮你写了一个pitch deck这个pitch deck就是你给投资人的所以它面向市场面向用户面向投资人三份材料一次性给你对吧这个就是你给它提供了足够的工具和sub agent之后它诞生了一个意想不到的结果比如说我们在这个场景再加一个webcoding agent它甚至连把你这个idea背后的sars软件都给你写就差一间你点一下就可以去卖了在teamly的使用中他们希望用户能够更加具体的感受到agent能力的变化除了主动性之外它还具有跨群组的常识社交记忆比如说能够记住你在上个月的家庭会议中提到的过敏史并且在本月的晚餐规划群聊中自动的剔除相关的餐厅此外Social Brain的模型也让Agent能够理解复杂的社会关系和长期目标表现出更像人类的同理心和连续性不过何朝阳也告诉我们目前这种形态也只是初始阶段未来Timely还会往去中心化的社交网络演化让这些agent能够跨平台存在但我们觉得这个范式只是一个开端比如说我们已经在开始尝试让这里面的很多agent比如说你创作的agent或者agent和人的一个群组给他一个我们叫做agent API让他加入到slack加入到朋友圈加入到telegram然后用户在那边可以跟agenent的分身其实是我们的agent的分身去互动这个消息就会走到我们TMI的网络里面比如说你可以控制一个群你给他发一个消息说你帮我跟群里面的人布置一个任务你不一定要到TMI这个应用里面来所以这个其实是TMI的下一代演技就是我们做成一个decentralized的一个network希望我们加入所有人的工作流不管你是在AM或者你在一个某一个Vertical SaaS里面想用我们的agent都可以用而在他看来这样的模式之下行业的竞争的焦点会从谁的模型更强转向谁的agent更懂具体行业商业模式上也会从卖模型能力转向卖行业knowhow还有一个很重要的其实就是当你有了这样的介入之后你会沉淀出很多行业的knowhow所以我们会把它拔高为不再是卷token而是要卷我们可能要帮助用户去hire一个agent或者还有一个AI Teams所以它的真正的商业化的溢价其实是走入了以前比如说像MEDA这种其实你还是在给用户卖Token对吧 你让它更易用但我们其实卖的是一个行业的low号这个agent比如说一个财务的agent或者你咱们做媒体要剪片子的agent这个是行业low号的经验我们可以卖给相关的行业的人然后包括相关的团队这样的话就 [39:59] 高的想象力和一家空间所以总而言之就是我们想象的未来就是一个人和agent这张网我们相信这里面有网络效应也会有智能的复理这是前面几代AI产品我觉得没有做到的在这个形态之上Timeline还认为未来互联网将进入一个Web 4.0的阶段最大的变化在于AI将成为这个生态中的原生参与者不再只是服务于人类的工具同时还会拥有完整的经济系统如果我们在 Web4.0 它们的主要是会有 AI-native的所以它们不是只要是人家的人家的一种人 它们是一种人的一种人的一种人 它们是一种人的一种人那是哪个人可能会返回来的建立的一些方法让它们的一种人能够成为了一种的一种但是它们也能够成为了一种它们应该有一个公司的它们应该有一个支付的为它们的用选择给它们的而其他人在使用它我认为这是我们在Web 4.0的次循环不过当Agent拥有了长期记忆、主动能力甚至可以调用工具进行支付他就不再只是一个信息处理的工具了这也意味着一旦出现错误滥用甚至被操控其影响会被无限放大所以隐私安全问题也是当前的一个重点和难点目前Agent的安全解决方案大致存在两种不同的技术范式一种是传统安全路径强调通过权限分级读写控制等方式去严格的约束AI的行为边界另外一种是AI native的安全路径就是说AI本身去理解判断和约束自身的行为那一些像何朝阳这样的技术派就认为技术的发展需要先被充分的释放然后再逐步的建立约束机制我是比较激进的一派我更希望把像潘多拉魔把这个恶魔放出来我们看他到底有多么大的智能然后再去把他的邪恶的一面给堵住就是你比如说这次王分科就是一个很好的例子当你把它放出来之后你发现原来有那么多的good case当然也有bad case比如说苏织被杀了被黑了对吧那我觉得每一代新的就像有汽车的时候那马车夫对吧他跑那么慢他罢工对吧然后也有汽车上路压死人然后因为当时交规各种都不完整对吧今天一样你没有这种护栏机制但还没有立法包括合规什么都没有的情况下我觉得我是比较激进的就是所有的技术都是要经历这个痛苦的过程你要先看到它美丽的一面再去遏制住它邪恶的一面而在Tim Lee当中他们也发现这样的机制是有助于去帮助agent自主学习和建立安全边界的比如说我们做了一个很激进的探索就是让这个Asian在一个群聊里面可以读到另外一个群的记忆这个有时候会有隐私问题我们在一个Teams里面比如说一个公司的场景我们发现怎么就把那个员工再聊H1B再聊签证再聊工资的事给抖出来了所以我们后来就用AI Latif的方式给堵住了就是让这个AI Latif的范式跟传统软件的范式不一样我们是从AIM的角度去训练或者控制它写System Prompt这种范式比如说 you cannot do this或者说你LM的范式就是比如说你要read CCPA GDPR这样一些privacy act然后你去看这里面哪些东西你不能随便在群里面发然后你就按针律这个规范我们发现我们这样做bad case 极大的降低那从agent底层技术的演化到产品形态的变化再到行业的不同路径选择我们看到agent正在从一个能力变成一个存在它开始长期的在线自主行动不断进化进入到我们的社交网络工作流程甚至逐渐参与到经济体系当中而这也意味着一个新的问题正在浮现那就是在一个人家agent的共同构成的世界当中我们究竟该如何与这些系统去共处呢也许答案并不会一开始就清晰就像每一代技术变革一样它都会经历试错混乱也会带来新的秩序和规则但可以确定的是Agent不会只是这一轮AI浪潮中的一个阶段性产品它更像是一个正在逐渐展开的新基础层而我们现在所看到的可能只是这个Agent时代刚刚开始运转的序幕好了那么以上就是这期视频的全部内容了我是陈倩你们的留言点赞还有转发是支持我们硅谷101做好生土科技和商业内容的最佳动力那我们就下期视频再见了拜拜