PingCAP黄东旭称外挂记忆系统重构Agent时代基础设施

硅谷坐标 x PingCAP联创黄东旭谈Agent 时代基础设施的重构 — Silicon Valley Vector 硅谷坐标

Silicon Valley Vector 硅谷坐标

大语言模型的无状态属性决定了核心商业价值将从大模型层向外挂记忆层转移，多智能体协同将终结上一个时代的软件工程并引发组织架构的部落化。

AI-assisted summary of 硅谷坐标 x PingCAP联创黄东旭谈Agent 时代基础设施的重构 — original source. Check the original for full context.

Source published:

Detailed notes

## Background 该内容由播客频道《硅谷坐标》于2026年4月11日发布在YouTube平台上。本期视频由主持人曹卿云专访PingCAP联合创始人兼CTO黄东旭，深度拆解AI Agent面临的记忆难题、存储新范式，以及Agent给整个基础设施重构与社会带来的系统性思考。

## TL;DR 访谈围绕Agent时代的技术与范式变革展开。黄东旭指出，技术正从上下文工程走向多Agent协同的“驾驭工程”（Harness Engineering），而外挂记忆系统是攻克单体智能体失忆困境、承载长期记忆的核心。为此他开发了开源项目Mem9，并提出兼顾安全与成本的“一虾一库”虚拟化存储新范式。随着面向Agent的基础设施全面重构，传统独立向量数据库将被收敛，而经典的SQL与文件系统依然长青。最终，这种生产力爆发将催生高度碎片化的“部落型”团队，宣告上一个时代软件工程的终结，并开启软件真正的民主化时代。

## Atmosphere & style 这场对话充满着前沿科技的思想碰撞与硬核技术人的工匠情怀。黄东旭的表达风趣幽默、大开大合，将复杂的“上下文窗口”与“外挂记忆”解构成生动的“笔记本”与“养龙虾”的比喻，让原本晦涩的Infra重构听起来既直观又令人兴奋。访谈整体呈现出一种理性、前瞻且充满激情的极客氛围，在冷静宣告“旧软件工程终结”的变革阵痛中，又流露出极具人文关怀的温度，结尾借由《禅与摩托车维修艺术》的分享，更让整个对谈升华出一种回归造物本质的禅意与浪漫。

## Key takeaways - [05:00](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=300s) 技术层进关系正从 Prompt 走向 Context Engineering，最终演进为管理多 Agent 协同的 Harness Engineering（驾驭工程）。 - [05:00](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=300s) 当长任务导致上下文窗口超限时，传统的 Compaction（压缩）技术极易引发 Agent 的灾难性失忆。 - [06:22](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=382s) 目前的 Benchmark 局限于单一任务而无法测出頂尖模型的真正上限，多智能体协同深化在未来可能会诞生“Agent 社会学”。 - [07:37](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=457s) Harness Engineering 本质上是软件工程的延续，现阶段仍会将人类几十年的开发组织架构与工具作为 Bootstrap 引导工具。 - [08:52](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=532s) 黄东旭开发的开源项目 Mem9，旨在解决 Agent 长期对话引发的记忆丢失以及本地数据损坏的痛点。 - [10:02](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=602s) 上下文窗口代表模型的“短期记忆”，而 Memory（外挂记忆系统）则如同随身携带的“笔记本”，属于“长期记忆”。 - [11:51](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=711s) 基于 Transformer 的模型其上下文窗口一定是定值，因此构建外挂记忆系统是应对海量临时信息的架构刚需。 - [13:12](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=792s) 未来的核心商业价值不会留存在势均力敌的 Tier 1 大模型层，而是会沉淀在真正能让模型产生差异化的记忆层。 - [20:00](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1200s) 大模型已具备将非结构化数据转化为结构化数据的能力，未来人类与机器产生的每一颗数据脚印都应该被永久保留。 - [21:50](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1310s) 智能体时代呼唤“一虾一库”的数据存储新范式，Mem9 通过数据库虚拟化技术兼顾了独立加密的安全红线与底层共享的成本瓶颈。 - [25:34](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1534s) 记忆层商业化看好两条路径：周边增值服务的订阅制，以及领域专家通过将特定记忆抽取为外挂记忆包进行售卖的知识变现（Marketplace）。 - [28:33](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1713s) 未来的基础设施将围绕 Agent 彻底重构，例如 Manus 所代表的沙箱（Sandbox）环境将成为给 Agent 用的新一代云基础设施。 - [32:15](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1935s) SQL 和文件系统依然是 Agent 最擅长的经典接口；而独立的向量数据库品类将会被收敛，向量检索将退化为主流数据平台的内置能力。 - [34:40](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=2080s) 命令行（CLI）和自洽简洁的 Unix 哲学是最适合 Agent 的“软件人体工学”；多智能体协同在规模化后可能也存在着某种 Scaling Law。 - [37:04](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=2224s) 人机协作的最佳范式是人类负责提需求和验证结果，传递技能与规范，千万不要深度参与到中间复杂的软件生产细节中。 - [37:04](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=2224s) Agent 带来了组织架构的剧烈冲击，大厂平台的需求降低，未来公司将收缩为由 Harness 工程师与领域专家组成的 2-3 人高度碎片化“部落型”团队。 - [41:15](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=2475s) 上一个时代的软件工程已经终结，但这带来了软件真正的民主化，年轻人应去寻找 Unix 哲学、基础数学等长青的硬核知识，并投身热爱的造物。

## Detailed walkthrough ### [05:00](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=300s) 从 Context Engineering 走向 Harness Engineering 的演进与边界

黄东旭指出，无论是 Prompt（提示词）还是 Context（上下文），本质上都是在一个对话流、单个 Agent 或单个大语言模型的窗口内部进行操作。而如今强调的 **Harness Engineering（驾驭工程）**，核心在于“多 Agent 的协同”。在传统的 Context Engineering 中存在一个普遍的痛点：当任务过于漫长时，上下文窗口便无法容纳先前的对话历史，此时通常需要引入 **Compaction（压缩）** 技术。然而，这种压缩往往伴随着“灾难性的失忆”。在一个更复杂的 Harness 环境里，开发者必须将每一个子 Agent 的上下文压缩问题都考虑在内，这就迫使人们必须在其上层构建一套信息同步、子任务管理以及外挂记忆等系统。

在黄东旭看来，Harness Engineering 更像是在管理一个真正的开发团队，其目标是让这些 Agent 能够永续、持续地在复杂的大型项目里“铲除”阻碍并推进工作。这是一种层层递进的关系，每一层都极度依赖上一层沉淀出的最佳实践。当被问及 Harness 的边界在哪里时，黄东旭坦言自己目前“没有感觉到边界”。每当他觉得快触及天花板时，Agent 总能带来新的惊喜。

* **技术层进关系**：Prompt $\rightarrow$ Context Engineering $\rightarrow$ Harness Engineering。 * **核心痛点**：长任务导致窗口超限，传统 Compaction（压缩）易引发“灾难性失忆”。 * **Harness 的本质**：超越单体 Agent，管理多 Agent 协同的信息同步、子任务管理与外挂记忆。

[06:22](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=382s) Agent 协同的“社会学”与无边界的未来

传统上，当我们提到“边界”这个词时，往往暗示着某种能力是可以被人类感知或存在明确上限的。但黄东旭认为，有时人类甚至无法准确评估当前最顶尖的（SOTA）模型，因为“模型本身已经很聪明了，只是我们的题设计的不好”，导致无法测出其真正的上限。目前绝大多数的 Benchmark（基准测试）仍然局限在单一 Agent、单一任务和单一环境里进行评分，这极大地限制了对模型潜力的发掘。

黄东旭用人类社会的发展做类比：“人类通过无数个个体的组织变成了社会，能够在一起协同去完成超出任何一个人的能力边界的一些事情。”他深信 Agent 同样可以做到这一点。在未来，随着多智能体协同的深化，甚至可能会诞生出诸如 “Agent 社会学” 之类的全新学科。到了那个阶段，传统的工程边界将不复存在。

[07:37](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=457s) 软件工程的映射：各家公司的 Harness 终局

面对 Harness 未来是否会像数据库或云平台一样走向通用化产品的疑问，黄东旭劝慰大家“千万不要被 Harness 这个词给吓到”。在他眼中，Harness Engineering 本质上就是 **Software Engineering（软件工程）** 的一种延续，“一个好的 Harness 就是一个好的软件工程”。他在实际管理自己的 Agent 团队时，会为其设置不同的 Role（角色），这与他以前管理真人构成的软件工程团队并没有太大区别，唯一的不同只是“这帮 Agent 不睡觉而已”。

关于 Agent 最终会演化出怎样的原生（Agent Native）产品形态，目前整个行业尚无定论。现阶段人们所能做的，是把人类几十年积累下来的开发复杂软件的组织架构、工具和方法论作为 **Bootstrap（引导/自举）** 的第一阶段工具，让 Agent 先协同起来完成单个体无法搞定的任务。而第二阶段，则可能会出现如埃隆·马斯克（Elon Musk）所提及的“递归的、资金化的”自我优化 Agent，届时其进化速度将超出人类的理解范围。因此，现阶段各家公司虽然会发展出各自独特的 Harness 思想，但绝不会脱离传统团队管理与软件开发的 Ground Truth（基本事实）太远，最终依然会走向收敛。

[08:52](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=532s) 开源项目 Mem9：解决“小龙虾”的失忆与备份痛点

近期黄东旭在“龙虾社区”发布了名为 **Mem9** 的“小龙虾”插件，引发了极大的反响。他分享了开发该插件的两个直观痛点：第一，用户在使用小龙虾（Agent）时，经常会发现它“聊着聊着就忘了前面的事情”，如果在一件重要任务的最后一步发生这种失忆，体验会非常糟糕；第二，用户与小龙虾之间往往沉淀了大量极其私密、重要的个人对话，一旦本地系统升级或出现故障导致数据损坏，用户会感到非常难过。

基于这两个核心需求，黄东旭开发了 Mem9。它不仅是一个开源项目，允许用户自己进行本地部署，同时在产品线规划上，它也将提供一套云端托管的、永续的龙虾智能体服务。

* **核心产品**：Mem9（开源项目，支持本地部署与云端托管）。 * **两大痛点**：长对话引发的记忆丢失、升级或故障导致的数据丢失风险。 * **服务愿景**：提供永续的、具备云端备份能力的智能体记忆服务。

[10:02](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=602s) 上下文窗口与长期记忆的本质区别

为了让大众更好地理解技术内涵，黄东旭对 **Context Window（上下文窗口）** 和 **Memory（记忆）** 进行了形象的科普。他将 Context Window 比作大语言模型在短时间内进行对话的一个“很小的窗口”，任何超过这个窗口范围的内容模型都无法感知，这属于“短期记忆”。而 Memory 则等同于一个随身携带的“笔记本”，里面记录了非常多相关的事实，属于“长期记忆”。

当模型当下需要处理某些任务，但发现所需的信息不在当前的上下文窗口中时，正所谓“好记性不如烂笔头”，系统就会拿出这个笔记本（Memory），检索出相关的信息及其实时上下文（which is 具体记忆），再将这些记忆重新塞进短期的 Context Window 里。通过这种方式，大语言模型就能准确知晓当前正在讨论的核心脉络。

[11:51](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=711s) 外挂记忆系统：应对大语言模型的不可能三角

黄东旭直言，过去大家常说的 **RAG（检索增强生成）** 已经不再是一个完美的全新技术概念。在如今讨论智能体记忆的语境下，其内涵已远远超过了原来 RAG 所代表的技术范畴。随着多 Agent 协同和多步骤任务的普及，哪怕模型的短期上下文窗口被做得再大，也很快会被海量的临时信息填满。

他断言：“不管怎么样，反正只要大家现在的模型还是基于 Transformer 的模型，上下文窗口一定是个定值，哪怕做的再大，它也是个定值。”因此，构建一个外挂的记忆系统是必然的选择。这与人类大脑的机制类似，因为现实世界的复杂性是近乎无限的。例如在开发一个包含几十万个步骤的大型系统软件时，人类不可能将如此庞大的现实复杂度强行塞进一个固定的窗口里，外挂记忆系统成为了架构上的刚需。

[13:12](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=792s) 为什么记忆层是 Harness 最核心的价值所在

记忆之所以成为当前整个 Harness 工程中最困难、也最重要的一环，原因在于它直接关系到单体 Agent 在长程任务中的生死。一旦上下文被迫进行 Compaction（压缩），Agent 就会将刚才讨论的核心细节全部遗忘，必须依赖外挂记忆来兜底。黄东旭批评了目前 ChatGPT 或早期聊天机器人通过产品形态（强行要求用户针对每个新任务开启全新对话）来掩盖记忆缺陷的做法，这种方式极大地牺牲了用户体验。

从深层价值来看，大语言模型本身是**无状态（Stateless）**的，它无法自发地通过与你的持续聊天来完成自我进化。真正能让一个模型产生差异化、变得更懂你的，恰恰是“你跟它聊的这些内容，以及它自己在这些内容里面的反思”。黄东旭大胆预测，未来的核心商业价值不会留存在各家势均力敌的 Tier 1 大模型层，而是会沉淀在记忆层。

[14:38](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=878s) 记忆的哲学：如何决定“记什么”与“怎么提”

在探讨记忆的提取与存储这一核心难题时，黄东旭展现出了一种独特的“模型决定论”哲学。他明确表示，自己一向更倾向于相信模型自身的能力，而不是靠人工规则去硬编码记忆的筛选机制。对于远期记忆的留存，他认为应该交由模型在互动中自发评估。

[20:00](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1200s) 智能体时代的数据价值与存储需求激增

作为一个提供记忆和存储服务的厂商，黄东旭认为当前最佳的策略是“无论用户跟他的龙虾或者他的 Agent 聊过什么东西，我作为提供商我一定得存下来”。因为在未来，这些数据都将是最宝贵的资源，这也是各家企业现在纷纷布局采购各种存储物资的底层逻辑。多模态大模型如今已具备将海量“非结构化数据”转化为“结构化数据”的初步能力，这使得数据能够直接产生商业价值。

面对热数据、温数据、冷数据的分类，黄东旭认为“全都需要”，人类与机器产生的每一颗“Footprint（脚印）”都应该被永久保留。他非常认同 Google 的哲学——“永远不删数据，只要存储成本能够 cover（覆盖）它的存储成本，那你就应该都存着”。在过去，个人数据由于极度零散、无法被大数据有效利用而显得毫无价值，只能被粗暴地打上几类标签（如“白领”、“三线青年”）；但在 Agent 时代，专属于你的 Agent 极度了解你的饮食与兴趣，这使得精细化个人数据的变现价值大幅提升。目前存储产能的短期短缺只是供应链的临时波动，长期来看，需求的持续增加是完全可预期的。

[21:50](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1310s) “一虾一库”：兼顾安全与成本的虚拟化存储新范式

在智能体时代，数据存储需要全新的范式。黄东旭提出了 **“一虾一库”（一智能体一数据库）** 的概念。他解释道，因为每个人的记忆结构完全不同，且安全与隐私是一道硬性红线，用户绝不会愿意将自己的记忆与陌生人混放在一个数据库里，因此每个人和每个 Agent 都必须拥有独立加密的存储空间，密钥也应各不相同。

为了在提供独立空间的同时将成本压到最低，Mem9 在底层实现了一种**数据库虚拟化技术**。其核心原理是：底层基于云端存储构建一个大型的共享存储资源池，但在上层针对不同用户划分出一个个虚拟的门户。在 Agent 的视角里，它认为自己独占（Own）了整个数据库，但实际上底层是共享的。这种设计完美解决了成本瓶颈，因为 99% 的用户可能一天只和 Agent 聊两三句话，企业不可能为这 99% 的闲置用户去单独 Maintain（维护）一套昂贵的物理级 Infra（基础设施）。同时，直接向 Agent 呈现一个完整的数据库接口，远比教它去存储服务上注册账号要更加 Native 和友好。

[25:34](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1534s) Local First 还是云端？记忆层的商业化路径

关于记忆应该存在本地还是云端，黄东旭斩钉截铁地认为“一定是云端”。他表示这一结论并非单纯从安全性出发，而是基于用户体验。他指出，小龙虾的原作者 Peter 是一个极其极客（Geek）的人，推崇 **Local First（本地优先）** 的理念，这虽然规避了“云端邪恶大公司”控制数据的风险，却严重牺牲了普通大众的用户体验。如果用户没有本地 Debug 的能力，一旦遇到系统升级故障，悉心养了十年的“龙虾”和里面的情感记忆可能瞬间蒸发，这对 C端 用户而言是不可接受的。

在云端，平台可以提供通用且易用的体验，即使“龙虾身体养死了，数据依然备份着，随时可以再起一个新身体 Attach（挂载）到记忆上满血复活”。谈及商业化，黄东旭看好两条路径： * **基础增值订阅**：记忆的基础存储免费，但针对导入、导出及高端云端备份恢复等周边服务采取订阅制（Subscription）。 * **领域专家知识变现（Marketplace）**：这是黄东旭最理想中的模式。未来的 Agent 应用将不再由程序员编写，而是由各行各业的领域专家（如厨师、医生）通过与自己的 Agent 天天聊天，在记忆中沉淀出高价值的行业 Know-how。专家可以将这部分特定记忆抽取出来作为“外挂记忆包”放上 Marketplace 销售，其他用户的 Agent 只要付费挂载该变现包即可瞬间获得同等能力。这为不会写代码的普通人创造了全新的知识分发与变现渠道。

[28:33](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1713s) 面向 Agent 的基础设施重构与沙箱时代的到来

黄东旭指出，当前我们所看到的云、数据库、网络等基础设施，其本质上都是围绕“人类开发者”去构建的。而在 Agent 时代，整条基础设施生态链正在被彻底重写。未来一定会诞生专门“给 Agent 用的云”，其形态将与今天的 AWS、GCP 或阿里云完全不同。

以目前火热的 **Manus** 为例，它实质上是为 Agent 提供了一个“Sandbox（沙箱）”环境，里面配置了各种工具供其折腾。由于 Agent 处理的每一个任务都是高度特定且高频的，未来的 Agent AWS 提供的不应是底层的裸机，而是一个个小型沙箱。此外，当面对几千万甚至几十亿个 Agent 同时使用数据库的场景时，现有的云数据库哪怕一个月只收几美金，累加起来的成本也是企业无法扛住的，这就倒逼数据库底层实现必须彻底重构。同样的重构逻辑也适用于通信（Agent 之间需要比电子邮箱更高频的通信机制）、支付和身份健全（ID）等各个朝阳领域。

[32:15](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1935s) 经典抽象的生命力：SQL、文件系统与向量数据库的收敛

在探讨 **SQL** 与 **Filesystem（文件系统）** 这类传统计算机抽象的前景时，黄东旭给出了非常乐观的预测。由于现有的 Coding Agent 和大语言模型都是基于人类发明的既有数据训练出来的，在它们的底层心智模型里，SQL 和文件系统就是它们最熟悉、最擅长的计算机操作语言（例如小龙虾原生记忆系统就是一堆 Markdown 文件）。因此，无论底层 Infra 如何演进，交付给 Agent 的标准接口大概率依然会是这些经典接口。

同时，针对前几年大火的**独立向量数据库（Vector Database）**，黄东旭给出了相对极端的“终局”判断：他非常不赞同将向量数据库单独拆分为一个独立的品类。在实际的记忆检索中，向量检索仅仅是若干种检索手段之一，系统往往还需要同时进行全文匹配和原始信息过滤。如果将数据割裂在不同的数据库中，对 Agent 的交叉查询极其不友好。他的结论是：独立的向量数据库将会被收敛，向量检索能力将退化为所有主流数据平台都提供的一项标准内置能力。

[34:40](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=2080s) 属于 Agent 的人体工学与多 Agent 协同的 Scaling Law

在探讨如何让面向 Agent 的软件更好用时，黄东旭引入了“软件人体工学”的概念。他认为，过去对人类开发者友好的简洁体验，同样会深受 Agent 的喜爱。他直言“图形界面（GUI）不是真正的好用”，它虽然适合普通大众，但绝非最适合 Agent 这种灵活多变场景的抽象，因为你无法将两个图形界面融合出第三个界面。相反，在**命令行（CLI）**的世界里，这种组合是极其自然的。

他高度赞赏最近再度翻红的 **Unix 哲学**（保持概念简洁自洽，通过自由组合演化出复杂世界），认为这就是给 Agent 的最佳体验。同时，他向大家分享了目前最令他兴奋的前沿猜想：在组织多个 Agent 去干复杂任务的工程中，极有可能 somehow（不知为何）也存在着一种属于多智能体协同的 **Scaling Law**。当我们在一个系统中放入 100 个、1000 个甚至 10000 个 Agent 协同工作时，它们究竟能产生怎样惊人的群体智能，目前还是一个迷人的开放性问题。

[37:04](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=2224s) 人机协作的最佳范式与高度碎片化的“部落型”组织

在 Harness Engineering 的时代，虽然编程语言和开发者工具依然重要（因为要贴合模型的心智模型），但人类的关注点需要彻底发生转移。黄东旭坦言，在他自己现在的日常开发中，每天会消耗大量的 Token 并产出数万行代码，但他“一行具体的代码细节都不会看”。人类应当跳出细节，去关注顶层架构、软件工程以及防止代码快速腐化。

人与 Agent 最好的协作范式应当是：人负责提出需求、验证交付结果，并通过传递 Skill（技能）或 Spec（规范）将经验注入团队。至于中间复杂的软件生产过程、Agent 之间如何开会、如何管理，人类“可以点播，但千万不要深度参与进去，因为你一旦参与进去，你就变成整个系统的瓶颈了”。

这种生产力的变革正剧烈冲击着组织架构。黄东旭透露，目前他们团队开发 Mem9、DB9 等新产品，主力其实只有一两个人，却在三个月内干完了传统软件公司 “100 个人年” 的工作量。未来，全职的 Coder（程序员）将面临巨大的生存危机，软件生产将走向“黑盒化”（如黄东旭团队目前 90% 的代码已由 Agent 编写）。未来的公司组织将不再需要庞大的大厂平台，而是收缩为由一个极强的 Harness Engineer（负责带 Agent 团队）和一个完全不懂编程、但极度精通现实业务的“领域专家”组成的两三人“小型部落”，呈现出高度碎片化的状态。

[41:15](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=2475s) 上一个时代软件工程的终结与年轻人的“造物”坚守

黄东旭直言不讳地宣告：“上一个时代的软件工程已经终结了，我个人体验是真的不需要这么多软件工程师了。”但他强调这并非坏事，它预示着“软件真正的民主化”，任何一个普通人都可以毫无门槛地去实现自己想做的软件。

面对当前计算机专业学生的普遍焦虑，他给出了真诚的建议： * **寻找永恒不变的东西**：哪怕在 Agent 时代，Unix 哲学、经典的软件工程、基础的数学与思维模型这些底层的“硬核知识”依然是长青且更有价值的，年轻人应该去学这些。 * **投身热爱的造物**：如果学计算机仅仅是为了混一份马农的差事，确实该重新思考。在这个大模型让学习门槛大幅降低的时代，老天反而腾出了机会让大家去追求真正热爱的事物。

在节目最后，黄东旭推荐了对他影响深远的书籍**《禅与摩托车维修艺术》**。他表示自己看过无数遍，最打动他的是书中关于“工匠精神”以及探讨“一个事物为什么好、好的本质在哪里”的 roadtrip（公路旅行）式思考。读完这本书，能让广义上的工程师和造物者更深刻地明白自己为什么享受创造，并认清造物的本质。

## Notable quotes > [07:37](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=457s) 一个好的 Harness 就是一个好的软件工程 — 黄东旭

> [11:51](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=711s) 不管怎么样，反正只要大家现在的模型还是基于 Transformer 的模型，上下文窗口一定是个定值，哪怕做的再大，它也是个定值。 — 黄东旭

> [20:00](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1200s) 永远不删数据，只要存储成本能够 cover（覆盖）它的存储成本，那你就应该都存着 — 黄东旭

> [21:50](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1310s) 一虾一库 — 黄东旭

> [25:34](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=1534s) 龙虾身体养死了，数据依然备份着，随时可以再起一个新身体 Attach（挂载）到记忆上满血复活 — 黄东旭

> [34:40](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=2080s) 图形界面（GUI）不是真正的好用 — 黄东旭

> [37:04](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=2224s) 可以点播，但千万不要深度参与进去，因为你一旦参与进去，你就变成整个系统的瓶颈了 — 黄东旭

> [41:15](https://www.youtube.com/watch?v=V4Ic6EKjOTc&t=2475s) 上一个时代的软件工程已经终结了，我个人体验是真的不需要这么多软件工程师了。 — 黄东旭

## Mentioned 黄东旭, 曹卿云, PingCAP, Mem9, DB9, Manus, AWS, GCP, 阿里云, Google, Peter, 埃隆·马斯克, 《禅与摩托车维修艺术》

[Source](https://www.youtube.com/watch?v=V4Ic6EKjOTc)

中文简报

PingCAP黄东旭：外挂记忆系统重构Agent时代基础设施 大语言模型的无状态属性决定了核心商业价值将从大模型层向外挂记忆层转移，多智能体协同将终结上一个时代的软件工程并引发组织架构的部落化。 访谈围绕Agent时代的技术与范式变革展开。黄东旭指出，技术正从上下文工程走向多Agent协同的“驾驭工程”（Harness Engineering），而外挂记忆系统是攻克单体智能体失忆困境、承载长期记忆的核心。为此他开发了开源项目Mem9，并提出兼顾安全与成本的“一虾一库”虚拟化存储新范式。随着面向Agent的基础设施全面重构，传统独立向量数据库将被收敛，而经典的SQL与文件系统依然长青。最终，这种生产力爆发将催生高度碎片化的“部落型”团队，宣告上一个时代软件工程的终结，并开启软件真正的民主化时代。 技术演进正从单体 Agent 的 Prompt 和 Context Engineering 走向驾驭多智能体协同的 Harness Engineering（驾驭工程），其本质是传统软件工程管理与组织经验的延续。 (5:00) 针对长任务上下文超限导致 Agent 压缩失忆以及本地数据损坏的痛点，黄东旭推出开源项目 Mem9，利用外挂记忆系统提供短期窗口之外的长期记忆与云端备份。 (8:52) 黄东旭提出“一虾一库”的虚拟化存储新范式，在保障独立加密与隐私的同时兼顾云端成本，并指出未来核心商业价值将沉淀在记忆层而非势均力敌的基座大模型层。 (21:50) 基础设施正面临面向 Agent 的重构，独立向量数据库将被收敛为通用数据平台的内置能力，而 SQL、文件系统和 Unix 命令行等经典抽象仍是智能体最高效的交互接口。 (32:15) 人机协作的最佳范式是人类退出微观代码实现并专注架构与规范验证，传统软件工程的终结将推动组织形态演化为由极少数 Harness 工程师与行业领域专家构成的“部落型”团队。 (37:04)

Reading summary

PingCAP 联合创始人黄东旭认为，大模型时代的软件开发正从单体上下文工程转向多 Agent 协同的“Harness Engineering（驾驭工程）”，未来的技术与商业核心价值将从势均力敌的基础模型层转移至记忆与基础设施层。 从单体上下文向 Harness 协同演进 (5:00) 在黄东旭看来，技术演化路径正从 Prompt 走向 Context Engineering，再进一步升级为 Harness Engineering。单体 Agent 在处理漫长任务时，固定大小的上下文窗口必然触发压缩（Compaction），极易带来灾难性失忆。Harness 的核心即管理多 Agent 协同，通过构建信息同步、子任务分配与外挂记忆系统，使开发团队能够持续推进复杂项目。 黄东旭指出，现阶段的 Harness Engineering 实质上是软件工程经验的延续，开发者将几十年沉淀的架构和角色分配作为引导（Bootstrap）工具。他认为人类社会的多体协同展示了突破个体上限的可能，多 Agent 协同未来甚至可能催生独立的“Agent 社会学”，并展现出类似多智能体系统的 Scaling Law。 外挂记忆层：模型差异化与商业化重心 (11:51) 黄东旭认为，大语言模型底层无状态的属性决定了模型本身无法通过对话直接进化，真正产生差异化价值的是交互沉淀与反思，因此商业价值未来将聚集在记忆层而非 Tier 1 大模型。面对 Transformer 上下文窗口的物理极限，外挂记忆系统（如其开源的 Mem9 项目）成为支撑多步骤复杂长任务的刚需。 在商业路径上，黄东旭明确推崇云端托管而非纯粹的 Local First（本地优先），以避免普通用户因环境升级或单点故障而丢失情感数据。他预见两种变现模式：一是基础存储免费但对高级备份与迁移收费的订阅制；二是由医生、厨师等非技术行业专家与 Agent 对话提炼 Know-how 后形成“外挂记忆包”，在 Marketplace 进行流通分发。 面向 Agent 重构基础设施与存储范式 (21:50) 现有的云平台、网络与数据库主要是为人类开发者设计的，Agent 时代的到来要求整条基础设施链进行重写。像 Manus 这类产品本质上是在为 Agent 提供操作沙箱。黄东旭主张，面向数以亿计的 Agent，传统按实例收费的云数据库在成本上难以为继，通信、支付与身份体系也需重新适应高频机器交互。 在存储层面，黄东旭提出“一虾一库”（一智能体一数据库）的安全隔离概念，并通过底层共享、上层虚拟化的数据库技术解决海量低频闲置用户的运维成本问题。针对技术抽象，他预测向量数据库不会作为独立品类长存，而是退化为主流数据平台的内置能力；相反，SQL、命令行（CLI）及文件系统等契合 Unix 哲学的经典接口，因符合模型心智，将展现出持久的生命力。 研发范式重塑与极简部落型组织 (37:04) 生产力重构直接颠覆了研发流程与公司形态。黄东旭透露，其团队开发 Mem9 和 DB9 等产品时仅需一至两人，在 3 个月内完成了传统软件工程“100 个人年”的工作量，且 90% 的代码由 Agent 编写。人类角色应转向提出需求、注入规范和验证结果，避免介入具体编码细节而成为系统的吞吐瓶颈。 他断言“上一个时代的软件工程已经终结”，纯粹全职的 Coder 生存空间被压缩，但这也带来了软件构建的平民化。未来的商业组织将趋向于碎片化的小型“部落”，通常只需极少数负责统领 Agent 的 Harness Engineer 配合深度理解业务的领域专家，便可支撑起完整产品的运作。 黄东旭认为年轻人无需过度焦虑于传统编码技能的淘汰，而应坚守底层长青的数学基础、经典软件工程与 Unix 哲学，依托大模型工具门槛降低的契机投身于真正热爱的“造物”本质；与此同时，Agent 之间究竟能在百千级规模的协作中产生何种群体智能，依然是行业待解的开放性命题。

Source quotes

[7:37] 黄东旭: 一个好的 Harness 就是一个好的软件工程 [11:51] 黄东旭: 不管怎么样，反正只要大家现在的模型还是基于 Transformer 的模型，上下文窗口一定是个定值，哪怕做的再大，它也是个定值。 [20:00] 黄东旭: 永远不删数据，只要存储成本能够 cover（覆盖）它的存储成本，那你就应该都存着 [21:50] 黄东旭: 一虾一库 [25:34] 黄东旭: 龙虾身体养死了，数据依然备份着，随时可以再起一个新身体 Attach（挂载）到记忆上满血复活 [34:40] 黄东旭: 图形界面（GUI）不是真正的好用 [37:04] 黄东旭: 可以点播，但千万不要深度参与进去，因为你一旦参与进去，你就变成整个系统的瓶颈了 [41:15] 黄东旭: 上一个时代的软件工程已经终结了，我个人体验是真的不需要这么多软件工程师了。

Original transcript

[5:00] 不管是Pront还是Context都是在一个对话流一个agent或者一个大元模型的窗口里面但是Harnet今天强调的是多agent的协同比如在Context Engineering里面有一个非常普遍的问题就是当你的一个任务太长的时候你的上下文窗口已经装不下你之前的对话历史了这时候其实就会引入一个技术叫Compaction叫压缩这个压缩经常会伴随着这种灾难性的失忆所以在一个更复杂的Harness的环境里边你需要去把每一个子agent的这种上下文的压缩都得考虑进去所以你就必须在这个之上去构建一层信息的同步子任务的管理然后外挂的记忆等等的东西所以对我来说Hannis Engineering更像在管一个真正的开发团队让他们去永续地持续地去铲除在这种复杂的大型项目里面所以它其实是一个层层低进的关系而且这里面每一层都是依赖着上一层的一些最佳实践出现出来的你觉得Hannis的边界到哪里我说句实话我没有感觉到现在有边界我每一次觉得我快到边界了但是呢Agent又能够给我一些惊喜因为你在提到边界这个词的时候就有个暗示它的能力是可以被人类感知或者说可以有一个明确的上限的我甚至觉得有的时候我们是没有办法评估现在的SOTA的模型的因为罗行本身很聪明了只是我们的题设计的不好就没有办法去测出它真正的能力而且大多数benchmark还只是在一个单一的agent在单一任务和单一环境里面的一些评分但你想想就是人类通过无数个个体的组织变成了社会我们能够在一起协同去完成超出任何一个人的能力边界的一些事情那agent我相信也一样是可以的所以也许未来我们会发现一些agent的社会学之类的事情那这时候还有什么边界吗我觉得没有边界了就既然Harness是一个系统级的工程你觉得它未来有没有可能像数据库或者是像云平台一样会变成一个比较通用的产品还是说可能未来是各家各公司做自己的Harness你觉得未来的终局会是什么样子今天其实大家千万不要被harness这个词给吓到harness engineering对我来说还是software engineering一个好的harness就是一个好的软件工程自己的体感就是我会去给我的agent团队设置不同的role其实跟我以前管理真人构成的软件工程团队我觉得没有太大区别只是说这帮agent不睡觉而已所以我觉得这是第一阶段因为agent它会产生什么样的组织形态或者说什么样的形态是agent native的我们现在不知道我们现在知道的是人类几十年积累下来的做复杂软件的组织架构工具和一些方法论这些东西我觉得可以被用来做bootstrap第一阶段让agent先能够协同起来产生一些单个agent干不了的事情第二阶段可能就会像包括Elon说的地规的资金化的这些agent的工具或者形态会出现如果进入到地规的自我优化的阶段以后就会超出人类能理解的范围了所以我们现在能做的就是先把人类的先映射过来先让它完成第一步回到你刚才那个问题会不会每个公司都有一套自己的Harness我相信会的但是这些各家不同的Harness的思想我觉得它不会脱离传统的团队管理软件开发的ground truth太远它还是会收敛的最近你发布了MAM9的一个龙虾技的插件也在龙虾社区里引起了非常大的反响你可以给我们介绍一下这个插件吗其实这个插件解决问题很简单大家用小龙虾的时候经常会发现他在聊聊的就忘了前面的这个事情你想象一下如果他再做一件重要的事结果到最后一步他把前面忘了其实是挺糟心的我经常就有这样的体验这是第一个痛点第二个痛点就是我跟我的小龙虾聊了非常多很重要的很私密的很个人的东西如果哪一天东西把它给升级升卦了那岂不是很难过所以云端的这种备份也是我一个特别大的一个需求基于这两个需求就做了MEM9首先它是一个开源项目你可以自己去部署第二呢其实MEM9这条产品线它也会是提供一个云上的 [10:00] 托管的永续的龙虾机器服务我当时在设计MEM9的时候我一直在思考一个问题就是如何去设计Agent Native的软件使用体验就比如说以前我们要去安装一个软件你可能要配置ABCD要下这个安装包安装各种东西但是在这个MEM9里边你其实只是给你的龙虾复制粘贴一句话这个软件就自动安装上去了可以跟大家解释一下长上下文窗口context window和记忆memory它们的区别吗context window你可以认为就是一个很小的一个窗口这个窗口就是这个代言模型短时间在这个对话里面超过这个窗口之外的东西它是不知道的就是短期记忆然后memory是什么呢我用一个形象的比喻就是一个笔记本这个笔记本可能记了非常非常多相关的事实就是相当于你的长期记忆但这个长期记忆不在你脑子里可能在一个小本子里比如在你短期记忆里当下我们要做一些事情的时候你发现我要看的这个东西在上下文窗口里没有好记性就不如烂笔头了对吧我就要拿出我的笔记本memory来去找到相关的信息以及这条信息相关的一些上下文which is就是这条具体的记忆然后再把记忆放到短期的context window里这样你的代元模型就能更知道你在讨论什么上下文其实在过去我们这个东西叫Red但是Red我觉得不是一个好的技术概念因为今天其实我们在去聊记忆的时候已经超过了原来RAG所代表的这些技术因为RAG可能跟具体的技术绑定太紧了但记忆可能是一个更大的一个话题可能理解成比如说以后多agents或者是多步骤的这些任务使得你的短期记忆的窗口哪怕越来越大哪怕再大可能也都很快就填满了还是要去长期去解决长期记忆的问题是的 不管怎么样反正只要大家现在的模型还是基于Transformer的模型上下温窗口一定是个定值哪怕做的再大 它也是个定值所以必须得有一个外挂的一个记忆系统来去我觉得人也一样 对吧短期记忆 长期记忆因为我们的世界太复杂了或者说很多任务其实可以几乎是无限长的我就举个例子我要开发一个大型的系统软件然后可能需要几十万个步骤就是短期的原模型的context window再长你也不可能说把现实世界的复杂性塞到一个固定的窗口里面但是至少从Transformer的架构上来看一个外挂的记忆系统可能还是必须的记忆为什么现在成了整个Harness里面最困难的一环刚才我也提到了一个单体Agent重要的痛点就是在一个长城任务的过程中你只要上下文一压缩它刚才在聊的事就全忘了所以你在做这种关键的Harness的时候你就必须得用外挂的记忆来去解决单体的agentcompaction带来的这些问题所以这就是为什么memory如此重要我觉得这是第一方面第二方面就是不管TrackGPT还是早期的这些聊天机器人的形态它不停的让你在对每个任务强行要开一个新的对话它并没有解决记忆的问题它其实只是通过产品形态给掩盖过去了但是这种产品形态又会带来一个不好的用户体验而且再从重要性来说代言模型其实是没有状态的它并没有办法自我的跟你持续的聊天最后持续的变强或者说真正有差异性的其实是你跟他聊的这些内容以及他自己在这些内容里面的反思简单来说就是记忆最后其实我觉得很多的价值其实是会在记忆这一层而不是说在大元模型这一层因为大元模型每家可能Tier1的model都很聪明但是他有多了解你呢他还是得靠记忆来去了解你记忆要解决的两个问题一个是这东西怎么记什么东西需要记什么东西是不需要记的另外一个就是怎么样去提取信息你们是怎么解决这个难题的我正面提到一个非常哲学的东西我其实一向是更相信模型自己的能力的什么意思呢比如像记忆的远期的记忆跟记忆 [20:00] 又属于提供机翼和存储服务的厂商之一你最好的策略就是无论用户跟他的龙虾或者他的agent聊过什么东西我作为提供商我一定得存下来这是对未来来说最宝贵的资源所以今天可能大家就要布局去采购各种存储物第二个我觉得大元模型或者今天的多模态已经具备了初步的能力把很多非结构化数据变成结构化数据这意味着什么这意味着它能产生价值了因为结构化数据通常是价值更高的有这样的机会了以后作为一个比如说你是一个服务的提供商所以我觉得对于全社会来说存储肯定还是我能理解它为什么价格在涨因为Agent确实创造了更多产生数据的机会和产生数据的场景比如说热数据,温数据,冷数据,你觉得就说全部都是需要的?全都需要,结构化数据,非结构化数据也都需要人跟机器产生的所有的footprint脚印都要被存在下来因为这些东西都有价值哪些是需要永久保留的,然后哪些是可能用一段时间就删掉了我很认同Google的一个philosophy我永远不删数据只要我的存储成本能够cover它的存储成本那你就应该都存着怎么去衡量它的你问了一个非常好的问题以前人是没有办法去衡量个人数据这种非常零散的这些个人数据的价值的它是不划算的因为你没有办法去利用这些个人数据但今天不一样了以前因为没有办法去做到这种千人千面所以只能把所有人的数据汇集在一起大数据做分析说给所有的消费者我打10个标签这个是一个白领那个是一个三线城市的青年那个是一个老人但你想象一下在Agent的时代你的Agent会非常了解你他知道你经常吃什么最近感兴趣什么这时候给你再去推荐东西非常精准它的价值是不是就非常高了只是说以前没有办法利用现在有了AI有了Agent它一定可以利用上现在存储的产能这么缺你觉得未来有一些什么好的办法去解决吗我觉得这个其实可能是短期供应链的波动因为这个本身也不是什么航天科技之类的没有什么秘密在里面只是可能一个产能临时的短缺吧所以我觉得会回归的第二我觉得用长期来看需求肯定是在持续的增加也是可以被预期到的未来agent的时代我们需要怎样的存储的范式其实我刚才说到这个范式的海量的个人的小的灵活的数据它不再是说我集中的一个固定的形态的数据而是每个人就像真正的记忆一样我未来会更看好这样的这种数据库和数据形态不是给人做的而是给这个agent去做的什么样的数据库或者说数据平台能够适合这样的这种高度灵活千人千面以及非常个人化的这个场景对你刚刚其实也提到了一虾一库的概念而同时你又提出来可以是很多的虾去共享一个存储的空间这个是怎么做到的一虾一库我觉得这是一个必然的驱使因为每个人自己的记忆的结构跟另外一个人都是不一样的比如安全吧安全是一个硬性的限制就每个人的数据我都应该是给个人的数据做加密每个人的密钥可能都是不一样的所以你不会愿意你把你的记忆跟陌生的人全都放在一起对吧你还是希望你有一个自己的空间你的龙虾也是我觉得一个好的机器系统你必须得提供这样的一个能力第二个呢为什么要去做consolidate就是我怎么去提供这样的一个平台给每一个龙虾都提供一个免费或者说一个很低的程序提供我其实这里面有一些技术的细节但大概有核心的原理就是我对外提供了一层数据库的虚拟化但是底下其实是基于云的存储来去做了一层对样存储作为底层的一个大型的共享存储但在上面我可以说针对不同的用户我画出了一个个虚拟的门户但每一个门户里边他的agent看到他认为自己on着整个这个DB但其实底下是一个大的这个共享的底层存储核心的目标就是说他会节省很多的成本因为大多数时候大多数人不会跟他的agent的天天聊天可能中途用户就是1%但这时候你不能说我为了那些 [25:00] 可能一天就聊两三句话的用户去maintain一套他自己专属的infra这是很不划算的所以我还是需要有一个共享的一套基础设施为什么要这么设计我觉得也是给agent提供了一个更加易用或者说更加好理解的一个数据的模型因为你与其教一个agent说你要去存储服务上注册账号还不如直接告诉agent说好你现在看到就是一个完整数据库你随便搞这样其实对于agent来说是更友好的从数据的安全角度来说你觉得以后这些记忆是存在云端的还是应该是存在本地的还是混合的我觉得一定是云端这个结论不是从安全性来去得出的比如说微信支付我的银行账号我的银行数据你可以认为这也都是云端了是吧其实我觉得小龙虾的一个问题是说他是一个Geek设计的Peter就是一个特别极客的人他的一个理念是local first确实很安全也不会有一个云端的引号邪恶公司然后控制着你的数据但他牺牲掉什么呢牺牲掉用户体验如果你没有一些本地的debug的能力或者这个系统怎么开发的这个能力你会发现经常把龙虾养死了比如说你跟你的龙虾聊了10年突然有一天升级说不好意思我挂了你就可能跟家里真的有亲人这个这个趣事的感觉很像是吧就很吓人所以我觉得未来从产品形态和体验的如果你要变成一个C端的产品更广泛在用着它一定是个云端的因为你只有在云端你才能提供这种通用的和医用的用户体验比如说你这个龙虾养死了我的数据还给你备份着呢是吧我马上再给你起一个龙虾的身体attach到你的记忆上一下又能复活了你不需要去了解Linux你不需要去了解本地怎么装这些开发工具所以一定是云端你觉得未来的记忆层它的商业化前景怎么样它以后会是被吸收成一个基础设施呢就从你看到用户付费医院最强烈的那个场景是什么嗯我觉得几个场景第一个是记忆的备份恢复因为大家都知道记忆的价值尤其是你在重度的使用跟你的龙虾一起在用的时候记忆的价值是非常重要的这里边有几种商业模式一种商业模式是针对服务本身的备份恢复这种周边服务去做一个增值服务可能我基础的记忆本身是免费但是如果你需要有一个导入导出或者说一些这种云版备份你可以设计一个订阅制的商业模式在上面但它肯定不是一个企业级的这种产品的定价模式第二种我个人理想中就是memory会变成一个真正通用的基础设施因为我其实在赌下一代的agent native application 的形态agent application 它绝对不会像今天这样是由软件工程师编写代码而是有可能无数的人类的领域专家在他们的记忆里面去提取出一些高价值的东西比如说我是一个厨师我跟我的小龙虾天天在聊做饭最后我有一个能力是说把这个厨师的小龙虾的脑子里关于做饭的记忆抽取出来变成一个外挂记忆这个外挂记忆接到其他人的agent上然后我通过这个marketplace来去收钱你想象一下这个厨师他可能完全不会写代码他只会做饭他一直在跟他的龙虾讨论这饭的内容我现在能够帮你去把你的知识变现成一个可以被付费的东西这时候你就变成了一个新的分发渠道了这也是我觉得基于记忆来去变现的一条很有意思的路径我们现在再拉回去看整个Agent时代的基础设施你又是这个领域做数据库的专家了数据库是一个重要的基础设施你觉得agent时代整个基础设施会被怎么样重写我觉得第一点就是面向agent的基础设施一定会出现现在我们今天看到的云数据库网络这些东西本质上是说这些东西的用户还是开发者我们引号基础设施或者说生态链都是围绕人去构建的但是我觉得在agent的时代今天已经正在发生了围绕着agent它会有一套属于agent应用的基础设施比如说它一定会有给agent用的云给agent用的云的形态它会跟今天我们看到awsGCP跟阿里云的形态是完全不一样的今天其实包括我们可能用过 [30:00] Manus的同学都知道Manus其实是相当于给他那台小电脑在电脑里面什么东西都有然后这个Agent可以在里面我们称这个环境为sandbox一个沙箱现在对于Agent来说因为每一个任务都是特别的所以对于Agent的云来说他可能提供的就不是一个底层的云平台而是一个个小型的沙箱让Agent在里边干活如果我是做Agent的AWS我一定会提供这个服务一瞎一酷这个是我们在M9这个产品里面提出的一个理念但想想对于基础设施的提供商来说从来没有一个database提供数据服务的公司敢这么卖为什么呢因为我们当提到给agent设计数据库的时候可能几百万几千万个agent同时要去使用数据库那这时候你去看现在的云或者现在基础设施每个数据库最便宜可能一个月也得几美金但是当你要给几十亿个agent提供你这个成本是扛不住的所以就必须重新去设计数据库底层的实现才能去适应agent的这种用法同样的逻辑你可以套用在很多的其他产品上比如通信人和人之间通信用邮箱电子邮箱但是Agent是不需要见面的而且Agent他应该是更高频的跟其他Agent的通信那现在谁有给Agent提供邮箱的服务呢没有另外支付健全或者说这个ID这种都值得为Agent的场景重新设计这是一个非常朝阳同时又非常重要的一个事你怎么看待SQL和Filesystem这样的经典抽象在agent时代的前景现在我们的Coding Agent也好或者说模型也好它是从人类的这些数据里面训练出来的人类发明了SQL人类发明了Filesystem所以在agent背后的大元模型的脑子里这些就是他们最熟悉的操作计算机的新制模型不管你今天提供什么样Agent native的新的infra但是你给Agent使用的接口一定是这些经典的接口这就是为什么我们去提供G的时候是通过这个数据库的接口去把存储给做了因为Agent最擅长写C口比如说像小洛西亚原生的这个记忆系统它就是一堆markdown文件大元模型和coding agent操作文件系统也非常擅长所以我的结论是至少在agent自己自我进化出更符合agent使用的这种接口啊形式之前这些经典的新制模型会长期存在只是这些新制模型下面的实现会不一样我们知道这几年向量数据库非常的火但同时我们也看到一些现存的玩家也在把向量的能力给加到自己的功能里你觉得未来这些独立的向量数据库他们的终局会怎么样我觉得这问题挺好的其实我的观点可能有点极端刚刚其实我提到记忆的检索的部分里边会用到向量数据库的一些检索能力但是向量检索只是我若干个检索手段中的一个我不仅要做向量检索我还要做全文匹配我还要做原始信息的过滤其实我是非常不赞同把向量数据库单独变成一个独立的划分的它应该是所有数据平台都提供的一个标准的能力而已就是如果你把它单独拆成另外一个独立的东西对于Agent来说是不友好的有些数据在这边有些数据在那边这时候我想交叉的去做些事情其实非常费劲那还不如说我都在一起我提供一个更加自然的接口所以我的结论非常简单大家都会有这个能力不需要有一个单独的一个商量的数据库出现所以就说你觉得以后分布在各个地方觉得能力未来还是收敛的对它是收敛的对于每个agent的接口层是收敛的但是它面向的数据量不会太多其实一直在强调一个点就是海量的个人数据当你在个人数据的语境之下数量不会太大这个时候你所谓的多高的性能多大的数据量其实没有什么意义但是接口一定是这个接口还想问你一个问题就是给agent用的软件你怎么样去做才能让它更好用这个是很好的问题也是研究的前沿我觉得有一个新兴的预域过去我们叫人体工学开发者其实经常会给自己造一些 [35:00] 有些工具好用有些工具不好用有很多技术你一用你就知道这个东西太爽了太舒服了我的猜想是对于Agent来说一个对于开发者友好的体验一样也会对Agent友好我一直觉得图形界限不是真正的好用它可能对普通老百姓用电脑是一个很好但是它并不是一个对于Agent的这种灵活场景最合适的抽象因为比如说你两个图形界面的东西你不能融合出第三个图形界面但是在命令行的世界这个是可以的其实这种体验就是程序员说的哇好体验在agent的时代我觉得反而是更好的因为agent面临的需求是非常多的所以你能用一套简洁的自洽的心智模型去囊括尽可能多的灵活任务这个就是对Agent来说的好体验所以UNIX的哲学最近突然又非常火核心是这个就是因为这一套方法论原则就那么几个但是它通过组合能变出一个更大更复杂的世界出来你觉得未来AI的能力的下一个突破的边界在哪里?我隐约觉得在组织多个agent在去干这种复杂任务里面会 somehow存在一种scaling law就是今天我们刚刚开始去把多个agent协同在一起能够去干一些事情对吧如果我放100个1000个1万个进去它们能够产生什么样的效果我觉得现在是一个open question也让我挺兴奋的先程的语言和开发者的工具你觉得在agent的时代还重要吗我觉得这个其实还是挺重要的非常重要因为刚才我其实在反复提心智模型其实大家知道这个东西被强化学习训练出来的它还是人发明了数学以及人用的编程语言但这里面反过来又不太重要我觉得包括在Harness Engineering里面你不用再去关心具体的代码反正我自己的开发的过程我每天消耗这么多的token产生这么多新的代码但是我是一行具体的代码细节都不会看的你要去关注架个架构你要去关注软件工程你要去关注这个代码不要快速的腐化更上层的事情所以对我来说就是既重要又不重要重要的是说你必须得贴合这个agent的心智模型不重要的是你需要作为人要去关注一些更高层或者更抽象的一些事情以后人与agent需要协同吗这种协同可能不会是针对具体某些事情的对齐或者说在细节上的把控而更多的是提我的需求以及我怎么验证你给我交付的结果还有就是人会把自己的经验通过skill或者spec传递给agent team中间这些软件的生产过程agent自己的他怎么开会的他怎么管理的你可以跟他点播一下你不要参与进去因为你一旦参与进去你就变成整个系统的瓶颈了所以我觉得会有交互但交互会是在最上场的你最近说过一句非常耐人寻味又细思极恐的一句话就是说你现在所有的认知可能过一个月之后就会严重的过时在这种快速的变化下你到底怎么样去建立自己的护城河呢我自己也在寻找这个问题的答案我的方向是我一定要在这个浪潮的身处其中要有天天去用的这种手感保持自己对这个技术的判断我觉得现在很多大家学习AI或者说学习Agent他其实是靠看各种科技文章或者看像我们今天这样的这些对话都不是最高效的最高效你就是亲自自己去用当你自己有感受了以后我今天我的所有的经验会去引导未来下一个月的我去走向更前面的一个阶段保持手感还想问问你现在做的这些软件是你们多大的一个团队做出来的现在大多数我这些新产品包括Mem9, DB9可能就是一两个人的团队可能我一个人就是主力对,就跟传统的软件开发的流程不太一样了可能我过去三个月干了传统软件公司100个人年的事对,就很夸张你觉得未来的这种公司的组织形态会发生什么样的变化 [40:00] 这是个好问题我最近其实也在经历这个过程就是软件的生产的过程会发生变化人不再去直接参与到代码的生产了如果你是个全职的coder可能我觉得是挺危险的因为慢慢的软件的生产会变成黑核化就比如现在我每天可能在数万行代码checking到这个软件里边但是AI写了这1万行写了什么我其实完全不知道的包括我现在文工自己90%的代码其实都是AI agent在写所以对于人的组织形态会变成有若干戈吧非常强的这种Harness Engineer带领他自己的agent团队负责一个垂直的业务然后配上一个领域专家这个领域专家是相当于他对于现实世界的某个问题非常了解但他不会编程他也不会去做软件这两个人配合在一起去用Agent的Team用Harness Engineering快速的生产去解决现实的问题我觉得可能未来组织形态就是这样一个个小型的部落然后不会再是一个大公司或一个大平台而是这种高度碎片化的团队那你觉得现在硅谷的这么多大厂这么多的软件工程师你觉得这个裁员大概现在是一个什么阶段未来还需要这么多码弄吗在我看来就上一个时代软件工程已经终结了我个人体验是真的不需要这么多软件工程师了其实这是个好的现象它意味着软件真正的民主化了任何一个人都可以实现他想实现的软件这个其实是这一波浪潮带来最大的意义而不是说像纺织女工一样其实我们现在穿的衣服是更多的而不是更少的今天最后一个问题想就是帮年轻人问一下因为现在有很多正在学计算机专业的同学都很焦虑因为现在可能在学校里学的东西毕业了以后就完全没有用了你觉得他们应该现在学什么如果你真的喜欢计算机你就会发现有很多东西其实哪怕是在今天Agent的这个时代它都是不变或者说甚至更有价值的就像我刚才说的这种Unix Philosophy一些经典的软件工程一些模型就是思维模型这些东西其实是一直都不变的你要找到这些永恒不变的东西去学这些东西然后投身到软件行业里面如果你现在可能刚学计算机只是为了以后找一份马农的工作可能你就得想一想你真正喜欢什么我觉得不管怎么样最后人还是要去做自己热爱的事情是才能最幸福的所以正好现在有这么一个时机老天让你去做你真正喜欢的事情而且今天大约模型这么强你在学任何你感兴趣的东西的时候的门槛学习的成本都已经大幅的下降了所以我对于年轻朋友就是做你想做的事情热爱的事情就去做就好非常感谢今天的分享最后想问你一个彩蛋如果给大家推荐一本书的话你推荐什么我想想我其实有一些candidate还是《铲与摩托车维修艺术》对 那本书真的我看过无数遍 非常喜欢最打动你的是什么其实那本书是一个父子在骑着摩托车在环游美国的一个roadship在这过程中每一天他会去思考工匠精神和一个事物他为什么好他好的点在哪里所以我觉得他是一本让人能够去认真的思考你造物这件事情的本质是什么你为什么会enjoy做好的东西什么是好的东西他在讨论的是这些内容读完那本书了以后如果你是一个工程师或者说你是一个广义上的工匠你会更加明白自己为什么是这样的人