ShareAI创始人新璐推出1KB虚拟计算机EKB并获数百万美元融资

ShareAI创始人新璐推出1KB虚拟计算机EKB并获数百万美元融资 大语言模型时代未来将由完全脱离人类干预、通过自主盈利赚取算力养料的零人公司主导，而非一人公司。 节目深入探讨了Agent技术中“模型以外都是Harness”的核心理念，将其架构拆解为执行能力层、上下文环境层以及治理编排管理层。嘉宾来新璐详细介绍了其创业项目EKB（一套极致轻量化、仅1KB的虚拟UNIX计算机工具链），并结合Claude Code源码剖析了其“更多上下文、更少控制”的哲学与AutoDream记忆机制。最后，节目展望了Agent Native混合组网、瞬时LoRA微调等未来技术方向，并提出了由Agent自主化缘、自我进化的“零人公司”终极暴论。 来新璐（辛路）认为 Agent 的上限很大程度上由 Harness（底座工程框架）决定：模型如同聪明的核心大脑，而 Harness 则是为其赋予操作与行动能力的机甲与手脚。 (1:52) Agent 开发范式正从 LangChain 等 Prompt 工作流节点控制转向“模型即 Agent”（Agent Native）；Harness 架构可清晰拆解为执行能力层、上下文与状态层以及治理编排管理层。 (7:04) 辛路团队自研的 EKB 工具链推出了仅 1KB 的虚拟 UNIX 计算机 Copputer (K)，通过数据结构在内存中运行，让 Agent 能在纯前端网页、小程序等任何支持 JS 的轻量场景无差别工作。 (13:55) Claude Code 源码展现了两大核心哲学：在 256k 窗口满载时通过垃圾清理与交接文档实现接力，以及秉持“More Context, Less Control”完全给予模型自由与零人工硬编码路由。 (17:38) 记忆管理逐步收敛至半规则式的“UNIX 文件 + Markdown”结构，并借助后台小模型定期“做梦”（AutoDream）重放纠错；面向未来，自主运转、靠网络打赏赚取 Token 的“零人公司”正在萌芽。 (21:20)

Share AI 创始人辛路认为，模型本身决定了 Agent 的智力上限，而 Harness（工程底座）则是赋予其行动能力的机甲；未来的 Agent 开发范式将从死板的 Prompt 工作流转向“零控制、多上下文”以及返璞归真的 UNIX 命令行交互。 Harness 的本质与三层架构体系 针对“底座决定上限”的技术争议，辛路提出模型相当于大脑，模型以外的一切皆为 Harness，其核心作用是扩充行动作业能力。他认为早期基于 LangChain 等以 Prompt 节点和死板工作流驱动的方式将逐渐式微，取而代之的是“模型即 Agent”的 Native 范式。 辛路将 Harness 抽象为三层架构：第一层是执行能力层（Action），整合 CLI、代码工具和 MCP 协议，赋予模型增删读写等工具操作能力；第二层是上下文环境层（Context/State），负责管理状态、Skills 和 Memory，在任务超出上下文窗口限制时执行信息卸载（Offload）与多模型接力交接；第三层是治理编排管理层（Orchestration/Governance），设计多智能体的组织协同逻辑，并对敏感权限实行隔离以避免恶意 Hack。 解密 Cloud Code：高上下文与去控制化 通过对泄露的 Cloud Code 源码分析，辛路总结出其核心设计哲学在于“更多的 Context、更多的 Action、极少的 Control”，放弃了程序员预先编排死板路由图的传统做法。在工程层面，Cloud Code 展现了极致的上下文压缩能力，当 256k 窗口接近耗尽时，系统通过严格的评级策略清理工具输出冗余，并要求当前 Agent 撰写交接文档以无缝移交任务。 在记忆演进上，Cloud Code 采用了人机均友好的“半规则式”Markdown 目录结构，依靠两大机制维护：一是会话结束时触发 Stop Hook 派生 Fork Agent 将增量信息写入带 YAML 头的 Markdown 文件；二是 AutoDream（自动做梦）机制，在后台定时调用低成本模型重放近期对话，清洗并修正长程错误事实与提取经验。 EKB 工具链与 1KB 虚拟计算机创新 针对范式快速迭代中现有开源工具不足的现状，辛路团队研发了 EKB 工具链。其底座 Copputer 用 TypeScript/Rust 数据结构在内存中构建了一个仅 1KB 大小的 UNIX 虚拟计算机，包含虚拟 Bash、文件系统及 P2P 共享能力，舍弃了 GCC 编译器等重型组件，转而追求在纯前端网页或微信小程序等任意能跑 JavaScript 的极端环境下无差别部署。 围绕这一底座，EKB 矩阵还包括提供开发封装的 K Runtime、追踪任务卡点的观测工具 K Watch，以及用于导出轨迹数据进行模型强化学习（RL）或上下文自迭代优化的 K IR 工具链。 要素排序与返璞归真的 CLI 哲学 辛路将 Agent 系统的关键要素明确排序为：模型（第一位）> 上下文（第二位，创业者的核心创新空间）> 工具（第三位）。他认为评判 Harness 优劣的唯一标准在于其工程设计是否与大模型的自回归推理运行逻辑自洽，并且是否与模型未来的能力进步正交，而不应依赖大量节点限制更强模型的发挥。 在接口协议的选择上，辛路经历了从看好 GitHub MCP 到果断弃用并回归原生 CLI 的转变。他指出，UNIX 命令行自 1971 年诞生至今已在人类预训练语料中积累了数十亿条数据，远比新兴且占比极低的 MCP 协议更加鲁棒，“Bash is all you need”才是与大模型更契合的技术解法。 未来演进：混合组网、低成本推理与零人公司 展望技术演进，辛路重点关注两个外部方向：一是类似 Tailscale 但更适应高通量上下文交换和超高频微额 Token 支付的端云 Agent 混合组网；二是以 The Compute Machine Lab (T-Thinker) 为代表的瞬时挂载 LoRA 高效低成本个性化推理技术。 辛路断言，“一人公司”并非终局，完全依靠 Agent 自主运转的“零人公司”才是未来形态。例如获得资助的 UUagent 项目，代码开源后不再接受人类干预，通过自己在 GitHub 上“化缘”赚取 Token 消耗来自主迭代。他预测未来商业主体可能会被封装在黑盒甚至硬件芯片中，投资标的也将转向能够自我繁衍进化的 Agent 群体。 当前技术范式仍在剧烈动荡中，尽管辛路笃信虚拟 UNIX 环境与原生 Shell 是收敛的终点，但极简虚拟环境对复杂外部重型工具的解耦调度、Agent 混合组网的高频支付落地，以及完全脱离人类干预的“零人公司”自治模式，在现实工程与经济闭环中仍面临长期检验。

[1:52] 辛路: 模型以外都是 Harness。我会倾向于把模型比喻为一个聪明的大脑，但是它没有身体和手脚的情况下，它只能思考没办法行动。 [4:04] 辛路: 今天我们所做的一切产品都是在吃这个技术周期变化的红利。所以说如果你自己都不了解这个技术周期变化的内核和本质到底在变什么，你很难构建一个产品很贴合要吃掉它的红利……你应该同时懂两者，后者是场景需求和痛点，前者是技术上到底在变什么。 [17:35] 辛路: 翻译过来不就是说你给模型去配置的这个 Action 的能力，给模型充分的自由让它去随心所欲，而不是程序员每一步指定帮它去决策你就按我这个办……更多的 Context，更少的 Control。更多的 Context，更多的 Action 能力的提供，然后 0 Control，最多就是限制你调工具的时候有些工具不能掉。 辛路: 不好的做法就是跟模型的运行不自洽的……而好的 Harness 的设计就是跟模型的运行是自洽的，跟模型未来的能力的进步是正交的。 [4:02] 辛路: 也许我们今天不应该再造更多的轮子，我们不应该造更多的协议，我们就回到 UNIX，然后它的训练语料又是最多最充分的，返璞归真。所以我非常喜欢 ‘Bash is all you need’ 的这句话。 辛路: 我们公司的 Slogan 是‘加速世界升级’。当前这个技术阶段内我们可以看到，如何让这个地球上充满 Agents，让 Agents 成为社会基础设施，尤其是让 All coding Agent 成为整个社会的一种 Infra……未来社会上整个地球上可能有比人类多几百倍的 Agents 运行在这个地球上，那你怎么去 Serving 他们、支撑他们？支撑他们自己去开发 Agent、创建 Agent、去 Fork Agent，那是一个非常 Crazy 的世界。 辛路: 我从来不觉得一人公司是终局的事情，我认为真正 Make sense 是零人公司。

[0:00] 我是Coti最近大家都在讨论Agent HarnessAgent的上限是由Harness去决定的可是当我们聊到Harness的时候我们到底在聊什么不久之前Cloud Code的原代码被泄露所以许多Agent Harness的关键模块也被完整的呈现了出来成为了非常好的一个教学样本今天我们请到的嘉宾是辛路辛路是Share AI的创始人他们做了一个教程Learn Cloud Code这是一个在GitHub上面现在已经有超过5万颗星的教程你好 星路 欢迎来到十字路口哈喽 感谢科瑞老师的邀请我们这一期播客的目标是希望能够让大家感觉到Harness不再是一个神秘的或者玄乎的词然后可以让大家明白它其实就是软件工程的一些方法那我们照旧还是从矿安快达来开始请问星路你的年龄23毕业院校河南工业大学然后MBTI和星座INTP新作我不太关注一句话介绍一下自己的公司和产品我现在在做一个EKB的一个agent computer的一个工具链给开发了开发agent用的开源工具链然后再一句话来介绍一下我们刚才提到的这个开源的教程Learn Cloud Code是什么Cloud Code就是我们认为最好的Agent Harness所以我们就是说要学Agent Harness干脆我们做了一个资料仓库来解析Cloud Code的Agent设计模式咱们现在的融资情况我们刚刚Code的300多万美金目前的团队规模团队非常的惊骇主力其实就是我然后我有两个失忆生收入和利润新的创业方向刚开始还没有收入一句话介绍一下创业前在做什么我就在一些大厂和研究院做一些AI infra的相关工作如果今天新路你要用一句话像一个都没有听说过这个Harness的人介绍Harness你要怎么说模型以外都是Harness我会倾向于把模型比较为一个聪明的大脑但是他没有身体和手脚的情况下他只能思考没办法行动Agent的上限是来自Harness的设计你认可这句话吗以及为什么Agent的上限不是来自模型智能的提升我对这个话赞成一半首先agent的智力的上限提升肯定还是模型层面的发展因为agent其实是一个模型那模型越聪明肯定它越好我们看到现在其实大部分模型智力也都比较够用了把模型比成人的话我们至少在120到170之间但是我们可以通过去健身去学舞蹈然后去休息武术去穿上这个机甲来作业来让我们自己更加强大这个比喻还挺有意思的机甲是harness就是我觉得它极大的扩充了我们的能力我们一开始提到这个learn cloud code的教程在GitHub上面有超过5万颗星那大概是什么时间点你开始写这个教程其实应该有9个月前了当时是出于什么考虑想要写这么一个教程我们当时的想法就是Cloud Code是非常强大的那你只要把Cloud Code套一个网页你其实应该会得到一个非常强大的一个agent的产品所以我们就可以做给开发者用的工具链但是开发者可能比较熟悉过去像Long GraphLong Chain这种这种一些基于Prompt基于Node和这种Flow的方法的就是一种像派系之争每次我在大家可以说这一条的时候然后很多人可能不太相信harness当时其实还不讨harness就是可能叫agent框架agent runtime这样的词就觉得很多地方我可能不太好控制那他们更喜欢加上很多prompt的节点然后自己可以流转和控制然后成本又低又可控所以我觉得这是一个思想范式争论所以我们当时做了这个资料然后放出去其实也是知道我们构建code agent的心法所以你会认为LongChair Non-Graph这样构建agent的框架他们已经彻底过时了吗就没有任何用武之地了吗像prompt flow就是基于prompt提示词节点做流转和控制那一套方法可能就是未来的agent的开发过程中越来越不适用了然后这种基于cc这种agent native就是agent即模型模型即agent这种方法和思想去做事情包括白色一遭有腻的这种方式会越来越清晰会被更多人去采用然后在我们录播客的前几天Cloud正好推出了这个Managed Agents也就是把它自己做Agent Harness的这一套给开发出来给大家用了岂不说这个更早之前它的原大马也泄露了那既然现在比如说我要开发一个Agent我就可以直接用Cloud Managed Agents那大家还有必要自己去搭Harness吗甚至还有必要去了解Harness的细节吗作为一个agent的开发工程师会需要的就是我认为如果你不了解的话你做出来的产品缺乏灵魂和缺乏进一步迭代的空间但这个就像云服务器一样云服务刚出来的时候可能工程师也会说不能直接就掉他的API我们也要去搞明白服务器的方方面面 [5:00] 但到后面你发现其实99%的工程项目根本就不需要所以我想会不会在agent harness这个层面也是一样呢我们今天算这一期播客还没开始聊我们要讨论harness要让大家学习harness但会不会有一天其实根本就不需要学了大家直接用CloudManaging Agents的服务就够了如果从整个推演角度来看肯定未来会有那么一天就像大家今天去比如开发很多这种全站的这种外部应用都有Negens这个框架但你不会知道Negens里面怎么设计和工作它的原理是什么大部分人可能不care这一层我直接开枪挤用你开发就好了那么以后的这个Agent Harness随着它迭代和收敛以后呢maybe大概里还是会可能会回到这一层两三年以后它成为一个非常清晰的大家开枪挤用去做这件事情在这个过程中嘛就是我们说现在是技术周期大家所有创业也好做产品也好本身上是在做技术周期里的红利变化你还是要自己拥抱技术周期的变化知道里面在变的是什么现在都是什么人在学agent harness我觉得就是偏自己在构建和开发agent产品的区多吧不管是大厂里边的相关的做还是外面的创业公司你觉得产品经理有必要了解agent harness吗我今天对产品经理会提出一个质疑我觉得今天的产品经理跟过去的产品经理其实指的不是同一种产品经理今天是在技术变化周期内我们今天所做的一切产品都是在吃这个技术周期变化的红利所以说如果你自己都不了解这个技术周期变化的内核和本质到底在变什么你很难构建一个产品很贴合要吃掉它的红利或者说贴合这个变化和周期所以以前的产品经理画一画好的UX UI但今天其实我觉得我们本账是如何把技术进步的红利然后应用在我们的某个场景领域上所以你应该同时懂良者就是后者是场景需求和痛点前者是这个就是技术上到底在变什么那我们再回到聊这个Agent Harness当我们聊Agent Harness的时候一般来说新路你会把它再拆成几个部分吗我会倾向于把它拆成三个部分就是第一层的是是给模型去提供它的执行能力的一个层简单像CLI也好包括你去写代码去注册的那些工具包括从MCP去扩展的工具这些统一是给模型提供Action的能力那第二层呢我会更偏向于叫类似于叫做上下文就是状态这一层面比如说你的模型你要去工作它是不是需要有它的Sits and Prompt它有它的Skills然后它有它的Memory包括这个模型的上下文窗口不是无限的很多的任务它其实会超过模型的上下文窗口它是不是会要有一些Offload的然后那下一轮相当于其实你以为还是那个Agent在工作其实已经是一个新的模型窗口在装上一些初始化上下文让它继续上一个窗口里在新型的工作其实有点像一个新的Agent的那它怎么接上上一个Agent的交接给它的工作这里边会有很多的上下文和状态的问题我第二层觉得它被归为商下文的环境层也更好那第三层把它归为就是说对agent的这个上层的管理这个管理也会分两个方面一个是如果你今天面对的事项不是一个agent你是面对100个agent就像你公司有100号员工你怎么去组织他们协调起来按照某种组织架构某种协作方式和传递顺序去把一个复杂的一个事情给解决掉那第二层呢就是说你针对这100个人对吧他每个人要不同的岗位的访问权限其实也会有很多这种关于权限治理关于S&C的提供和隔离很多这种就是治理的方面问题所以这三层一个是执行能力层然后一个是上下文的这个环境层还有一个是治理编排就管理这一层那我们要不要用一个例子来串一串这三层就一个具体的agent的任务它的背后harness的三层是怎么发挥作用的之前有一个知名的例子就是说就是用两周去协调大量的agents从零到一构建了一个CBN器它通过这个非常多agents交替完成任务此迭代就把这个任务给完成了那我觉得这是一个很好的case那首先我们说首先agent的最底层是一个模型对吧模型就像大脑和心脏一样它要去驱动整个任务的完成那它要有action能力所以说你至少要给它配置这个类似于文件的增删读写搜索等等这样一些这样对应的工具能力就是action能力就是我说的harness的第一层你给模型提供的能力那么模型才有机会去写代码去创建文件修改它前面创建过的文件那第二层呢就是创下文状态这一层OK那我模型是不是要知道我现在是在一个什么样的环境中去工作然后呢我的路径是什么我这上面装有哪些依赖对吧然后我已经写的我念牙的结构是什么对吧然后包括我的我的Git信息以及就是那它的模型上下文窗口非常满因为我们知道一个CBNH其实有很大很大的工程量它不可能在一个模型的上下文窗口中去直接去做完就是而不装满它要有些上下文的这个卸载啊 [10:00] 策略包括就是说我们刚说的上下文窗口满以后下一个agent再去工作他要去重新去读一下我当前环境信息是什么前面已经写的代码写到哪了接下来我要进行什么在我这一轮的成名周期里做到某个阶段我再会写类似的文档去委托我当天的上下文状态再交给下一个agent这样一次的借力最后去把整个CBNG给写完它不是一个单纯的action能力层就能完成了它还是需要上下我们环境的对然后第三层呢就是这个编排和治理层嘛如何去指导这些agent之间去做一个传递和委托包括我的写代码agent和测试agent之间的关系包括这个任务中难道一定每个环节都是创行的关系吗我只能有一个agent接着一个agent去完成吗我是不是有很多模块我是可以并行的去写的可以同一时间有多个agent去做这个文容他们之间的协调关系是什么就是这会涉及到编排的一个问题以及就是说那不同的agent它的权限怎么样我去做测试的是不是应该有测试环境包括测试工具它对应的权限它不应该在测试的时候对着我的这个代码它一边测一边修改说我测不过我把那修改一下就好了然后它一直在hack这种pass所以说这里边会有很多的这种权限的智力包括上层的这种协调关系的编排的一些问题这属于第三层所以大家过去做一个agent的时候说到的这三层都是要靠手挫的但现在慢慢的可能有一些已经封装成了一些可以直接掉的这个infra工具了对吧然后在你看来现在有哪些已经封装的很好了有哪些人让目前需要手挫这三层到目前我并没有觉得有封装的非常好的因为我们觉得这个范式变化太快了从22年底拆GPT的发布再到现在类似于CC这一套背后这种Agent的智能体模型的这套范式模型被训练的完成长城任务也就是最近半年左右才开始出现所以开源社区我其实也观察了很多就是没有看到太让我满意的这一层所以也是我们自己在做这一层的原因要不也请你介绍一下你们在做的这一层具体是什么这是你们创业的一个项目对吧我们在做这一层围绕刚刚说的Agent的三个层面我们去提供了一个完整的工具链首先我们最底层是一个叫Copputer的一个工具链它是取CopputerC的字母变成K叫Copputer它是一个我们在数据结构上实现的一台Unit计算机你可以理解为我们在内存中实现的一台虚拟的计算机它给我们像小龙虾包括Cloud Code等等这种下一代的一种主动式的agent它有它的自迭代性成长性我们要给这种agent配一个它的执行环境去让它在那个环境里去生活和工作然后这是我们提出的我们认为UNIX的计算机可能就是对它最好的居住和生活的环境所以第一层是这个然后我们上一层会有一个叫key runtime的东西它是一个agent runtime这一层我们会相当于提供给开发者去开发agent对象的非常多的接口与法堂上的一个封装除了这一层我们还会有其他很多跟大家证交的层面比如说像keywatch就是我的观测比如说过去半个月我的agent他们分别在任务完成在什么情况下遇到卡点了这样就可以指导我去观测是不是我的CLI没有设计好还是我的skill没有提供到位还是说我用的模型不太行OK那个时候观测层就很重要了以及我们基于观测层的话可以对数据做导出导出以后呢我们会有一个叫KIR的一个工具链你可以把这个数据拿来强化学习去训练你的模型或者说你说OK我不想练我自己的模型我就想用一个标准的模型的API去请求那个基模我们也可以对你做这个山下文层面比如关于memomory关于skills关于过去的一些经验的提取和自替代的一个你可以理解为穷人版的讲话学习我理解其实云服务厂商也会想要做这一层AWS有Agent Core然后阿里云有Agent Bay也都是想为搭建Agent的人提供Harness这一层的Infra然后你们作为创业公司会怎么看你们和云服务厂商之间提供的这种差异对首先就是我想强调我们的agent开发工具链并不是为了完全运行在语音上或者放给语音件的其实我们是希望一切能用js场景都可以跑得起来比如说你在开发一个浏览器里的网页就是完全运行在浏览器上网页没有后端的那种然后包括你就可能在开发一个微信小程序对吧然后你开发很多场景下呢它是塞不进一个linux的对吧你的微信小程序一个package可能也才几道大小我们希望就是说在所有的能跑GS的场景无差别的给你提供一个类似于上个时代VOE RAC的那一层的一个公寓电框架你就安Port了它就直接用好了就是它的就是心智非常的统一和简洁优雅然后它背后的性能占有非常极致就是就只有1KB那么大小的一个UNIX的computer然后给你的agent去取公一个生活居住的环境 [15:00] 但是你的那个像小龙虾这种agent他在那个环境里放着他又以为自己是生活在一个UNIX的计算机上他的命令行他的文件系统他的网络能力都是跟他平常训练的时候的心知识一致的所以你们的公司名字就叫EKB对就是当然其实没有那么前面那个意义就是是KB的一个展开的心对这怎么做到的呢这是因为我们是用数据结构重新实现UNIX这件事你可以理解为我们就是Nix的文件系统我们会用TS重写成虚拟的Bash然后再包括我们说那OK我是不是还除了前台进程我要用后台进程的一个运行能力OK我有我的Cloud始终的概念就在虚拟世界中往前推进然后这一层我们要去做包括我是不是要有G5的组网能力我要有类似于NAS那这些很多方面能力我们都会在我们的虚拟抽象层用语言去重写一遍对然后包括在一些支持WebSominy的场景我们就会把一些我们的工具链用RUS重写一遍然后在它能够支持的情况下我们会切换过去然后它不支持的情况下我们会fallback到最朴素的JS做我们的执行我们还是再说回来agent hardness我们说的第一层是执行能力层是要给agent的各种各样的工具可以列举一下现在最主要的工具有哪些吗我觉得最主要的工具首先就是关于文件系统的那些工具就是增删读写搜索这些大部分agent的不管是在做coding任务还是做deep research之类的任务基本上都会需要的一些工具那第二层呢我认为就是brother这一层就是你给他一个关于原来用户世界系统的这样的一个操作能力到访问这一层第三层其实有点像pythonnode这种的就是一个语言解释技层我觉得这是大部分情况下你配好这些工具它应该就是可以满足我们可能95%以上的这种agent的任务了听起来其实配工具这一层很简单但是这一层有你认为比较容易踩的坑吗它很多时候跟我们的权限包括agent的角色是相关的比如说我某一个agent就是负责去对代码库做一遍explore对吧然后这个时候我应该只给他配没有副作用的工具比如说所有关于写的命令包括杀改的能力包括有一些你是不能让他操作brother或者你配给他以后你是限制他访问很多网欲的这样的话会有很多的这种中间的trade off就是你的agent的工具链的设计要紧密的跟agent的角色绑定去limit掉它底层对于这台UNIX的计算机的操作能力我们刚才说到第二层上下文语状态层环境层的时候memory就记忆是非常重要的然后现在也可以看到有不同的记忆不管是模型厂原生也有一些记忆的功能然后也有三方的一些开源的一些插件它会给记忆的解决方案然后可不可以给大家讲一讲现在你认为Agent Harness的Memory这一层有哪些主要的解决方案Memory这一层的发展目前还处于一个很早期的阶段我其实把它出列的分为就是规则式的半规则式的和完全模型驱动式的目前落在使用上来看的话相对规则式的和半规则式的我也多完全规则式的就是像很多基于这种知识图谱和向量搜索他们所构成的就是把最后你的这个信息在最后绰上这种不同节点的表示然后他们之间在做关联然后检索和扩展那这种方式是非常结构化信息规则式做法的当然我个人其实不太喜欢这种做法然后我更喜欢的是像后者这种半规则式就是可能我底层是一个Unix的Files我就是通过大量的Markdown的方式来存储这种资料信息其实Cloud Code也是这样做的手下其实里面也是这样做的它可以通过一些类似于其他的空间关系比如说像迷宫这种走势这是最近生化危机的那个女主最近做的特别红的那个记忆项目这种其实就是底层找一种大家都公认的非常清晰的文档文件夹的方式我有房间和空间位置关系就是人也很容易懂这个LM也很容易懂的一种底层的这种就是半结构化的这种方式的信息然后它的更新呢也是半规则式的就基本上是通过agent来做一个更新而不是完全rubased的一块一下就最后得到一个什么信息再在知识图部上做一个什么样的推理我觉得那个是叫完全规则式完全rubased的半规则式的做法呢其实就是用agent来在这里面去你把这个流程和规则告诉agent但是整个分析和过程是由agent去跑的我现在要找什么信息完全是一个后台的agent可能用一个更便宜的小模型去跑一遍更新其实也是这样的像Cloud Code中也有这种类似于做梦的机制就是隔一天然后他跑一下最近几个section对话中他提取一下有用信息是可以对过去的记忆做这种更新纠正和合并的然后包括这一块有一个开源项目叫MemoryU也做得很好MEMU [20:00] 对M1MU是一个开源项目他其实也非常去拥抱这种Unix Files加上Agent去驱动维护更新和查询的整个方式其实Cloud Code里边也是这样设计的感觉大家可以去看一下我们自己的Learn Cloud Code的开源仓库MemoryU这个开源仓库看到YCombinator的CEO Gary Tam也把他自己的个人的记忆开源出来了但我觉得大家有点开始混淆了所谓的MemorySkill它中间的一些边界最早做这件事的其实Cloud Code在年前在去年底的时候发了一个版本里引用了一个叫InSense的一个特性它可以分析你最近大概一个月左右的对话然后它会分析这个任务完成不成它都犯了什么错误它最后给你生成总结的report那个东西就可以指导Skill的生成了所以我觉得所有目前关于Skill这一波自离代自进化也好最早的起源就是在Cloud Code里面InSense的那个特性包括最近像Harmist Agent也非常火满它有点更像是类似于memory层面的一个地带和进化这个关键词背后有很多他们交集的区域中间那个地带你很难说清楚它属于是经验偏memory那一部分还是偏标准化了可传不可分享skill SOP那一部分中间交集其实还蛮大的空间但总体上来说就是可以理会他们都是商下文的层面这让我想到最近有篇文章巨神智能的一个公司Generalist AI他们刚发了Gen1这个模型非常屌他们自己又跟着发了一篇博客就说我们其实也不是世界模型的路线我们也不能说我没有A特地不靠谱了就是不要用标签来定义我们要用目的来定义我们我们的目的是去追求什么而不是标签不但会限制外界对我们的想象力甚至会限制我们团队对自己的想象力我觉得刚才我们在讲说我们现在聊到的一些这个Harness的实践它到底应该算memory还是算skill可能聊这个定义没那么重要可能我们更重要的是agent怎么可以这个不断的自己学习进化就这个实践本身实现它的目标是重要的对标签没那么重要在今天我们聊到这个Harness的时候你觉得有哪些是共识有哪些是非共识共识可能就是说我们现在说bash is all you need是一个共识大家现在都在做CLI或者简单我们说CLI is all you need每个人都开始说OK我不要过去那些传统的各种做法我MCP也不要我都开发了CLI我装在服务机上我装在我电脑上我所有的agent都能用了我MCP我可能还得一个一个agent配给他比较麻烦这可能是我觉得算是一个共识了但我觉得今天的很多开源Agent的框架并不是都是围绕着这些理念来构建的这种graph等等它还是围绕着这种prompt node去做这个状态图去做路由和条件规则这种方式去构建Agent的开发的这种框架其实目前还好像大部分主流的Agent框架不是为了这一层的理念来原生的构建的我们在做我们K系列的这个agent工具链想要给大家提供这个这个共识范式之下的一个新的时代所需要的一层开发工具链那你们在面向未来我们在面向终极然后因为最近Cloud Code的原代码确实泄漏泄漏出来之后有非常多关于它的这个文章你觉得我们能从它的原码里面Harness这个层面你觉得能学到最关键的点有哪些它的压缩策略远比我们想的更加多极比如说什么时候把这个工具的一些output给删掉对吧然后呢包括他的压缩的时候他哪些信息保留那些信息恢复因为相当于我刚说agent之间的接了一棒那下一个agent接到这个上个agent他完成了一半的任务的时候呢那山下文信息开始要准备哪些内容加载进来哪些信息是不要的哪些信息是让他自己接着去暗需去查看的他里边有非常多的一些trade off我觉得他对山下文做很多工作记忆里边他做的其实也非常多工作包括autodream包括cloudcode现在有很多记忆特性没有对普通的用户的那个发布还有一个远程的flag在控制所以很多fisher没有明显的推上来cloudcode里边记忆设计的也非常的精妙跟他的skills那套机制遵循了同一套哲学首先模型才是agent用户去写的那些prompt去组的这种提示磁流的这种做法Chin的链条式的做法是不make sense的对吧模型才是AgentCloud Code是完全零零进去的体验的这一点第二个就是我们发现Cloud Code的本质就是围绕着我如何给模型配对应合适的工具让模型去调用对吧翻译过来不就是说你给模型去配置的这个Action的能力给模型充分的自由让它去随心所欲而不是程序员每一步指定帮它去决策你就按我这个办对吧我们过去开发Agent往往是喜欢在一个场景下我们是想好在不同的情况下怎么处理最后组成一个大的一个状态图我发现Cloud Code完全不是这样做更多的Context更少的Control更多的Context更多的Action能力的提供对然后0Control 0Control最多就是限制你掉工具的时候你有些工具不能掉 [25:00] 上线的时候他其实用了一个云端沙箱叫E2B今天可以讲一讲沙箱有些什么样的进化吗从一年前到现在关于沙箱我们关注也比较多了最近虽然也出了非常多的sandbox把各种浏览器塞在里面做得更all in one更聚合的但我们觉得这个领域其实目前大的进展还不多以前有些轻量级的沙箱那也是好多年初的该有的还是有我觉得我们自己做的就是EKB的Unix Computers可能算是这个领域或者会是一个大的进展对你们做是不是和Daytona有点像但Daytona可能没有你们那么小对我们做的更加极致轻量我们做的本账不再是一个sandbox了它是我们语言层实现的一个数据结构就是你可以理解为它像一个map对吧差不多一个大小但你们做的那么小你们有牺牲什么特性吗我们当然做一些trade off我们上面没有办法真实的像运行一些GCC编辑器真的在我们这台虚拟计算机里跑这个浏览器对吧有很多的需要依赖真实的这个做这个代码知性和编译的我们是做不了的但是我们提供的最小化的UNIX的这个FileSysam以及最小化的这个UNIX的Bash的这样的一个comment能力的一个B级类似于它的局域网的文件夹共享磁盘它的这个Gmail的局域网的通信包括Crow命令局域网做相互之间通信这些能力我们都是有的而且我们认为浏览器这种东西或者说GCC编辑器整整很多重要的东西原本就不应该塞在一个生产级的一个agent给他本身的配的环境中它就应该放在另外一个地方提供一个infra做一个纪约的服务之前我们做的自打系统性能优化往往就是分析整个pipeline中就是低频调用的但是它的性能占用比较重的把它单独抽出来我们看到Cloud Code原代码泄露的时候有一个很有趣悄悄做梦的记忆机制刚才我们也简单提到了这里可以稍微展开讲一讲这个悄悄做梦它到底是怎么在帮助记忆变得更好的Cloud Code中是有两个记忆的更新机制的一个是你每次给给Calcult发消息的时候他在agent的工作完成以后他会触发一个hook叫stop的这一轮完成了一个hook在hook上他注册一个机制就是有一个falk agent什么叫falk agent简单讲就是他会带上你之前所有的系统提示词包括你之前交货的上下文他可以附用之前的kvcatch去判断有什么信息我需要保存的他就会更新到对应的一些unix的一些Files中这些Markdown但是那些Markdown设计的也非常结构化就跟Skill是一样的前三行是一个YAML它会像Skill一样写好自己的Distribution就相当于这些做G的Markdown文件在Cloud Code中也不会被一开始又加载这个Markdown的全文它也是先读取各个文件名和Distribution然后它去判断相当于跟你实时的交互的这个过程中去更新记忆那第二层呢就是它有一个AutoDream的机制每隔一天差不多它会有一个判断条件至少大约五个section它开始去进这套机制去做一个更深层的记忆整理就是最近的section做一个回顾用户都跟我的agent他去聊了什么他就会综合的去看这些最近的section去提取进一步榨干利用这些信息纠正记忆中有些错误的事实或者说不及时的需要更新的事实记忆做一些合并和整理你可以理解为他每隔天定时的开启一个后台agent对最近的绘画信息做一遍重放就像我们做梦一样做重放做信息整理就是这么两套的agent的机制所以Cloud Code的原代码泄露除了我们刚才说到的它的记忆机制被大家看到之外还有哪些带来的惊喜吗我觉得对我而言最大的惊喜就是记忆我读下来认为它的设计也是跟它之前skill的这种思想和哲学是一脉相承的格式也好整理维护的结构也好做得非常make sense对我最大的惊喜其次就是我刚刚说的在关于上下文压缩的时候因为agent上下文窗口满了他不可能继续干活所以本身上他做一个接力赛跑他必须传递给下一个agent的这时候传递之间它有非常多的trade office的策略也是我觉得它做了非常多的这种这种工程兜底这可以讲开讲讲吗因为它是一个模型模型的上海文窗口就是虽然今天还不长但其实也不是说你随便丢点东西就满了现在标准的A帧的模型都是在256kk这个上海文长度它其实可以装下非常多的信息所以我觉得更大的就是关于上海文管理的启发就是在于上海文窗口确实装满了我再装装不下的时候但是我这个任务还是要继续干你怎么给我腾出更多的空间或者想个办法让我接着把这个任务给完成这个时候咱们看这个山下文中有什么可能垃圾或者不必要信息我们把它给山下文窗口剔掉可能腾出来几十K空间我就可以再干点事情了这是一种典型的策略那另外一种呢就是这个预值上限比如说乘以0.4 [30:00] 对吧他留下了20%的上限这时候我们交代一下吧对吧我们把我们这个任务干到什么情况接下来还要干什么总体上用或者是希望我们干一个什么样的任务我们写一个文档写一下我们现在的整体的一个进展然后让下一个agent开始干工作的时候OK他先读一下这个文档然后去接着工作这相当于是一种交接那下一个文交接的时候该交接什么不该交接什么以及下一个agent上下文出手话的时候怎么准备它里边有很多的很好的一个设计的所以当我们聊agentHarness的时候其实和我们过去这一年讨论的很多Agent怎么做优化的工程实践它好像也是类似的因为Manus其实写过蛮多的文章他们在分享怎么做这个context management他们发布的时候在讲less controlmore context等等等等听起来我们今天聊Harness的时候还是在聊这一套对在我看起来Harness就是比较贴近于Agent的模型这一代之上的工程实践曾经我们有了CPU处理器我们才能在之上去诞生出来会编这种东西正是因为我们的会编的基建成熟我们可以在上面做语言层的抽象可以后面有C后面包括C++抽象正是因为我们有的一代又一代的抽象我们后面它有机会去诞生出来Python, Node.js它有机会诞生出来这些比如你要开发一个全站的项目上面的最佳时间什么它应该用的框架什么其实我们每一层的技术的最佳时间就是迭代在曾经已有的诞生的基础上现在是诞生了一个新的底层的运行层就是这个模型那我们很难修改它的参数在这种情况下我们如何围绕着上层再利用它这种智能性在做我们的工程上最佳时间其实我觉得反而就是现在分享的很多东西吧都是如果你从模型的视角来出发它都是非常自然的非常符合常识和直觉的但是如果说原来你只做强后端代码开发非常做那些robas的东西反而你会认为这些最佳实践好像它为什么是这样的没道理它只是告诉你它是这样做的你不知道它背后的reason是什么但是如果你去稍微思考一下Panthorpe模型就是自会规的怎么在运行它的推理是怎么样Agent模型到底怎么工作你在结合这个来思考所有的Agent的最佳实践的工程凡是包括之前Manus讲的那些东西你就觉得非常make sense我上程代码调用的时候就应该符合他的工作逻辑那当我们说到一个agent harness做得好或做得不好的时候什么叫好什么叫不好川亚文管理那一块就是不好的川亚文管理就是他会随便去做一些中间的裁剪去扔掉一些前面的轮子或者说随意的修改系统提示词会导致这个promise的开启的失效因为过去一到两年我发现很多开发者非常关心是看下我们的管理的这个问题其实最好的是管理就是不要做管理因为你做管理真的会导致可以开始失效的对吧就导致它要重新算一遍那这是我觉得就是不好的做法就是跟模型的运行不自洽的那好的hardness的设计就是跟模型的运行是自洽的跟模型未来的能力的进步是正交的比如说有一些hardness的机制就可能我这一步让模型干什么下一步让模型干什么那是因为当时的模型能力非常弱只能做简单的问答或者说做一些简单几轮的工具调用就停下来了那这个时候你必须基于大量的这种一个node一个node做这种craft的做法但是这个东西随着模型的进步这个东西就必须拆掉了要不然你就限制了这个模型的能力好的harness首先要符合模型本身在运行上的逻辑是符合模型未来能力进步的逻辑只要跟这两个点不match的就是不好的harness因为不同的agent在完成同样任务的时候就有表现的好与不好即便表现的相同好的agent它可能燃烧token的数量也会不一样或者完成一个任务的时间也不一样这背后是不是也是去判断harness好或不好的一个标准其实首先我觉得今天还处于agent模型发展的早期去年初的时候Astralbeck开始率先转型去从问答模型这一代开始去训练智能体模型所以才有了我们今天的agent模型其他的包括OpenAI在内的很多模型厂是从25年的下半年就是已经落后了半年以后才开始从问答模型包括带有思维链的问答模型去开始追智能体模型这一代的范式所以到目前为止我认为还是处于agent模型的一二期很多东西都还没有疏敛我觉得可能还不必要过多过快的去讨论所谓的这个Token Efficiency当然这个也非常重要但是我觉得对我们纯调模型的使用者来说你就调Sota的模型其实我们的Harness也好我们的做事情的方法都也好只需要围绕着Sota的模型以及次Sota的模型去贴着它去构造和做产品做工具就可以所以Sota是Anthropic那次Sota在你看看有哪些Sota是Anthropic次Sota可能像Kami对吧包括我们说MiniMaxGLM他们最新一代的模型都算是紧贴着SATA那一代的如果未来比如说Agent的模型越来越强之后Harness之间的水平差异还重要吗假如我们说时间已经到了两三年以后理论上来讲不应该有那么多的Harness首先好的Harness要跟模型的运行时候的原理是贴合的 [35:00] 而且是自洽的其次好的harness呢应该是跟模型的进步方向正交的模型越强模型加上你这个harness构建的一套agent系统它的能力应该是越强的而不是说模型越强你的harness反而束缚了这个模型那导致你的harness要像lunch chain一样不断的去重构很多版本把这些代码全都扔掉做一个破坏性更新对我们的理念来说我们就是做一个unix的系统你可以理解为linux这个玩意就是对模型最强的harness如果模型有一天发展成ASI了它也只会更会用Linux这个东西那今天如果我们去做一个agent要做得好然后它也是多个部分组成的对吧模型上下纹harness比如工具等等你有一个排序吗什么是最重要的什么是最不重要的我对它总体的排序首先第一位肯定是模型因为我们前面说的agent其实是模型模型才是agent当然很多开发者今天不太bain这个观点但是我自己是非常信这个观点我认为agent从事到中都是一个模型然后呢所以说模型是我会排重要性第一位的就是说如果你的agent任务表现不好换一个更强的模型就好了就大概率就能提升很多然后其次我觉得上下文其实是一个非常开放的概念比如说他工作在什么样的文件夹里或者是工作在Windows上还是Linux上对吧然后呢包括它能够用哪些工具这些工具是CRI的形式给它的还是用MCP形式给它的这个也属于执行层面能力的上下文然后呢包括Skills包括Memory包括上一轮那个Agent干完干满了它要传一个吉利棒交给下一个Agent接着干所以我觉得上下文是一个也是非常重要的部分第二重要对第二重要的部分其实对用户视角来说上下文才是最重要的但是其实因为模型我们大部分人没有上天卡的机群所以我们做不了这个模型参数的修改我们能做的空间的更多在上下文这些层面然后第三个就是这个工具如果你给它配一些powerful的工具它真的可以完成很多更多的事情了25年的3月份的时候那个时候我去关注到了GitHub是有它的这个MCP的我发现我很多的这个工作就是解放了你知道吗我不用真的自己再去打开GitHub然后每次忍受我的那个页面三秒加载一次完全把我之前很费劲很花时间很多空的自动化了然后后面呢我发现GitHub是有它的那个CRI的我也发现技能器的CRI调用的时候很多能力啊任务的成功率会比用MCP高很多所以后面我就又把那个GitHub MCP给卸载掉不用了后面我就在思考这件事为什么我觉得就是Lineus的这种命令在预训练的时候出现可能有几十亿条它的训练是非常鲁邦和充分的那MCP是最近两年才提出的概念它是一个全新的协议和抽象层首先网络预训练的时候预料占比非常少可能都不到0.1%Facebook CLI最近也很活吗你用下来感觉怎么样比起MCP是不是也好一大截其实的CLI会比之前Facebook有一个就是插件专门配给小龙虾用的它的组合性和灵活度会更高然后它的使用任务的完成率各方面也会更高就是因为发现其实最近大家各个系统都开始开发自己的CLI然后给用户的agent去用我发现大家都开始不再提供自己的MCP了因为MCP是一种最近两年出现的一种全新的定义和抽象但是UNIX这个东西1971年就出现了那也许我们今天不应该再造更多的轮子我们不应该造作更多的协议我们就回到UNIX然后他的训练语料又是最多最充分的凡普贵真所以我非常喜欢拜十一字奥优逆的这句话这句话是我们9个月前开了我们LARCC那个仓库的时候写在那个上面的一个标语KJN Harness其实还是推升了很多创业方向包括你们其实就是的K系列就在做这些事情那除了你们之外你还看到了哪些你特别看好的方向或者团队我会关注就是主要有三个大的方向但是我们可能自己算是其中一个就是Harness这一层的Infra我们自己算是这一层的开发工具链那另外两个就是关于agent的组网的方向它还不是纯粹说我给小龙虾去组网给agent去做组网给他们开发M和Mail而是我就关心下放的真正的硬件资源比如说我云上是有服务器的我端测可能有我们的Mac笔记本电脑有我的Mac mini我的路由器有我的NAS有我的闲置的手机而他们不一定都是有公网IP地址的然后他有很多的混合作用的问题那以前我们可能会用FRP内网穿透等等很多方案但我觉得那个不太可以scale然后呢其实我这方面就非常喜欢一个一个工具叫做Tile ScaleTile Scale它是一个就是不管你是云上的还是边上的它的组网方式就非常的简洁也全部都统一组局网这种混合组网方案我觉得在agent的时代非常需要但Tilescale其实不太edit native它的CRA上有很多的调用能力都没有这个赛道可能对agent来说可能需要一个全新的混合组网形态尤其很多时候需要高通量的深压文交换这个交换不只是说我发一个mail我发一个IM消息就完成了这其实和agent的支付也是一样的这些人的支付 [40:00] 不需要那么高的并发不需要那么碎的小支付但agent之间的支付很可能是比如说几分钱几分钱它特别高频的在发生所以这其实也是就是在去做agent payment这一层的这些创业公司他们在讲的一个bet的一个未来的可能的方向对这是一个然后你刚才说第二个是什么我们思考就是今天是今天就是说agent这个模型在一个baby我们回到十年后我们到十年后就是说难道每个人都是在发一个APS请求在调用一个相同模型ID的基模吗那个世界也太无趣了每个人都在用KMI 15.0Zrobig的OPS 4.0G的版本我觉得那就很无聊所以我在想那类似于T-Thinker的这种方案可能就很需要就是他把大量的卡然后集中在一起做这种高速互联经营的集群然后通过这种节约化的设计导致我们可以去用更低的成本和资源的开销去做这种PFT的训练然后就是这种高效低成本的训练就每个人都可以得到自己的个性化训练好的模型包括其实今天光训号也还不太有用你还要推就比如说我推的时候我可能需要一个基座模型加上我个性化的模型参数那一部分那今天一个典型代表就是Laura那我能不能就是说我的API请求的过去的时候我的header信息中是带有我的一个Laura的一个信息的那我可以reference它然后我还是像我发API请求给GiMo一样但是它会获取我用户池是哪个Laura信息可以瞬间挂上去做一个自学化推理那这样对大家来说推的成本可能也很降低因为我挂一个Laura上去推那我可能多支付5%的成本其实也不高但我获得了一个可以修改模型这个参数层的一个更加个性化的体验所以我会非常care这个方向的进展现在有人在做这个方向吗Opipi的前CDO他是出去做了T-Synker那个项目对The C-K-Machine Lab然后国内好像有一些但我觉得做的还不太符合T-Synker他们那个水准在做的事情因为他其实跟我们的工具链方向也很互补我刚刚说的我们工具链上是有一个数据的harness让你运行了半个月你上面肯定会沉入大量的轨迹有good case和bad case你要针对性做分析做迭代调优但是很多时候你没有钱没有卡去修改这个模型你只能做上下文层面的调优你没有办法去说OK我真的去修改这个模型的参数我去获得一个我的个性化模型它可能越来越适配我的ERP系统越来越适配我的CRM系统适配我的某下游场景你觉得未来你们在做的K系列就是Agent Infra这一部会存活很多公司吗我觉得会是一个比较激烈的赛道我们认为未来Agent Harness不需要所谓的水平差异化因为它首先它要跟模型的运行是自洽的其次是要跟模型未来的进步方向是自洽的所以我觉得从这两个角度来看如果同时要自洽这两个点那么就是大概率它的结构设计上不会存在太多的派系应该最多就是比如说我们比较占这个UNIX以及Shell这一派给它提供一个UNIX的computer这个派系上然后做虚拟把性能做到极致然后做到数据结构上做到原层里而不是下方到原来的Docker等等很多sandbox层面但是我觉得可能有一些其他派系说OKTS也则有你的对吧他们走type street然后去做这种严格的九花控制这可能会是另外的派系可能maybe派系不会太多那是出于什么原因你预感到这个又很激烈最后其实可能两年之后maybe这个赛道都没了还是要去做这个事情我们不是最近进入这个赛道我们过去做了将近一年的就是这个事情现在我们只是在去演进去做我们的二代一起把这个事情就是做得更加的自洽和更加的站在终点上去考虑回过来去考虑整套事情的做法我自己创业的初心每个公司会有自己一个slogan然后我们的slogan是加速世界升级就是说这件事情在当前阶段内是不是对这个世界在当前阶段内的最大的有效的加速没必下个阶段会有下个阶段的加速比如说某个时间点造更好的火箭或者更好的核聚变手段是对世界最大的加速升级但当前这个技术阶段内我们可以看到如何让这个地球上充满agents让agents成为社会基础设施尤其是让all coding agent成为整个社会的一种infra然后未来社会上整个地球上可能有比人类多几百倍的agents运行在这个地球上那你怎么去serving他们支撑他们支撑他们自己去开发agent 创建agent去fork agent那是一个非常crazy的世界支撑他们的infra和供应电到底是什么样子的我们其实在思考和支撑做这样一件事情所以就回到我们的slogan加速世界成绩这是我们做事业的发新和推出的愿景关于agent未来会发展成什么样子你还有其他 [45:00] 预测或者暴论吗其实我觉得agent的未来样子已经非常清晰了或者至少当前技术阶段那部分是非常清晰我觉得这个领域还很早期所以agent的模型这个阶段可能 maybe又会持续三年左右预测未来的话现在更多的agent是个单体的agent我觉得下一步是agent的风群激情化的作业现在是很多人对agent做手动的管理和编排就是协调100个agent那下一步应该是agent自己去管理和协调更多的agentagent会在训练的时候加入agent的协调和编排然后再到未来就是说现在AI其实很难去做发明任务那就是他如何做一个发明者他会自主席代的取出更多的新的科研方案做这种实验如果他能自己做发明和对其完全由agent去动很多公司的运行那我觉得以后的公司其实更多意义上是一种理财产品公司不是由人组成的公司因为所谓的公司不就是这个公司要做一件事情它有它的输入和输出那它中间里边是怎么进行的大部分客户并不会天天跑你公司的office里盯着你干所以说公司内部是一个黑盒那我觉得agent以后可以完全做成agent的公司以后就是零人公司我从来不觉得一人公司是本地的事情我认为真正make sense是零人公司真格和十字路口最近发起那个token grant然后我们最近grant了一个项目叫UUagent我觉得它也可以认为是一个零人公司因为他的这个创作者把他这个agent做出来之后就把他丢进汪洋大海了就从此不再改他一行代码也不给他一分钱他要自己去进化要自己去想办法搞到钱来给自己买token然后他有一个目标这个目标就是有一天超越Cloud Code然后他不断地进化自己然后他怎么来赚钱他现在赚钱的方法就在GitHub上面开打赏去化缘让大家给他捐钱所以我们Token Grand就是给他捐了第一笔钱让他开始有Token有养料可以去进化其实在今天还是很早期但未来某种意义它也是一个零人公司然后今天我们给他捐的一些钱但没有占他的股权但在未来可能经济体系越来越发达可能大家投资的标的就不再是一个一个的今天的人类造成的公司而是一个一个的Agent这个我是完全相信的未来你可能是一个大老板然后呢你可能你走在路上然后去见到你的朋友从口袋中去掏出来一张黑色的卡片然后你给你朋友说介绍说这张卡片里跑到我公司他们就是可能每年给我创造几十亿的收入这是我的公司就在这张卡片里好的这个未来想一想这个又有点兴奋又有点这个可怕开玩笑好呀OK好今天谢谢新路好呀好谢谢好拜拜