Agent技术已悄然改变软件与人的协作关系，但产品化进程却意外卡在最后一公里。本文通过投资人与开发者的深度对谈，揭示AI能力爆发与用户体验滞后之间的根本矛盾，并提出9条重塑Agent产品思维的实战洞察——从GUI转型为信任界面，到CLI的意外复兴，再到Skill如何将个人品味转化为生产资料。

如果你只看过去一年半 AI 行业的新名词，很容易产生一种错觉：Agent 的进步，就是一场概念接力赛。

Manus、Claude Code、OpenClaw、Headless、CLI、MCP、Skill、Harness、Agentic Economy……每隔一段时间，就有一个新词占据讨论中心。大家忙着解释定义、划分层级、寻找下一个入口，仿佛谁先掌握了词汇，谁就更接近未来。

这期串台访谈，真正有价值的地方，恰恰不是又解释了一遍这些概念。主持人 Koji、真格基金投资总监钟天杰和 AI 开发者歸藏，试图回答的是一个更根本的问题：Agent 元年第 500 天，软件、工作流和人的位置到底发生了什么变化？

三个人给出的体感并不完全一致。

钟天杰认为，模型能力的发展超过了预期，但产品化远低于预期。今天绝大多数产品依然要求人不断把注意力灌进去：打开应用、找到功能、搬运信息、确认状态，再把结果复制到下一个应用。歸藏的感受则几乎相反。AI 已经让一个只懂基础前端的人能够维护几十万行代码，也让内容生产和日常工作进入高度自动化状态。过去他坚持不让 AI 写内容，现在却认为，在以信息传达为目的的写作里，拒绝 AI 已经没有太大意义。

这两种判断并不矛盾。一个说的是供给侧能力已经爆发，一个说的是产品侧体验还没有跟上。模型能做的事越来越多，但普通用户仍要像过去一样操作软件。能力已经进入 Agent 时代，产品却经常还停留在 App 时代。

这也是整期访谈最值得 AI PM 反复琢磨的暗流：真正要消失的未必是 GUI，而是“人必须站在流程中间，充当信息搬运工和应用传送带”的默认前提。

如果你正在做 AI 产品、规划 Agent 工作流，或者思考下一代软件应该长什么样，下面 9 条观察可能比追逐又一个新概念更重要。

1. 模型进步超过预期，产品化低于预期：问题卡在“最后一公里”

访谈开场有一个很真实的分歧。钟天杰说，过去 500 天模型的能力超过了他的预期，但产品化远远低于预期；歸藏却觉得整体都高于预期，因为 AI 已经极大扩展了他能做的事情。

为什么同处一条技术曲线，两个人会有几乎相反的感受？关键在于他们观察的是两个不同层次。

对高频使用 AI、愿意维护 Skill、能操作 CLI、会主动组织上下文的人来说，Agent 已经不是 Demo。他们可以把邮件、代码、内容、会议和文件系统接进一个工作流，让 AI 连续完成任务。歸藏提到，除了线下与人交流之外，他的大量工作都已经进入 Agent 体系。这类用户获得的是能力红利。

但对更广泛的用户而言，AI 仍然是一个需要被主动召唤的工具。你打开一个窗口，写 Prompt，等待结果，再把结果复制到别的地方。下一次任务开始时，系统可能又忘了你的背景、偏好和历史。用户依旧承担着上下文维护、工具选择、异常处理和流程衔接的成本。这类用户面对的是产品化缺口。

想想看，很多团队评估 Agent 产品时，仍然习惯展示“它会多少功能”：能写邮件、做 PPT、查资料、生成网页、操作浏览器。但功能数量并不等于产品完成度。真正的完成度应该看，用户为了得到结果还需要做多少工作。

一个 Agent 能生成会议纪要，却要求用户手动上传录音、选择模板、校对人名、复制结果、打开 Notion、找到正确页面再粘贴进去，它只是把某个步骤变快了。如果它能判断会议类型，调用对应模板，总结内容并放进固定位置，才开始接近完整产品。

这对 AI PM 是一个很重要的评估框架：不要只测模型完成任务的上限，也要测用户为这次完成付出的注意力。可以把它拆成四个问题：任务是否需要用户反复解释背景？过程中需要多少次人工接力？结果是否自动进入下一步？失败后是否能恢复，而不是让用户从头再来？

下一阶段的产品差异，不只是模型能力差，而是谁能把能力包装成低摩擦、可恢复、能持续运行的工作流。模型已经跑得很快了，真正拥堵的是最后一公里。

2. GUI 不会死亡，它只是从“操作台”变成“信任界面”

“我们也许不该再投资 GUI 思维的软件公司”，是这期讨论的起点，也是最容易被误解的一句话。

钟天杰在访谈里专门补充了边界：不是 GUI 本身没有价值，而是当 Agent 成为任务的主要执行者时，为人类注意力和认知缺陷设计的操作流程，不再是生产系统的核心。过去，效率软件必须把复杂能力拆成菜单、按钮、页面和层级，因为人一次只能理解有限的信息，也记不住成百上千条命令。GUI 是数字世界适配人类认知的补丁。

可一旦具体操作不再由人完成，软件就不必让 Agent 模拟人类去找按钮。

这并不意味着屏幕会变成一片空白。恰恰相反，当系统能执行的动作越来越多，人类更需要一个清楚的界面来理解目标、检查过程、预览结果和处理异常。访谈里提到 Codex 对图片、视频和文件夹链接的呈现：视频能直接播放，图片可以图文混排，文件夹点击就能打开。这些都是 GUI，但它们服务的不是“教人一步步操作”，而是降低验收和监督成本。

所以 GUI 的角色正在发生迁移：过去它是操作台，未来它更像仪表盘、审批台和信任界面。

这一区分对 AI 产品设计特别重要。很多团队一听到 Agent Native，就急着删掉页面和按钮，最后做出一个巨大的聊天框；另一些团队则把 AI 硬塞进旧产品的侧边栏，底层工作流完全没变。两种做法都没有真正理解变化。

更合理的设计是把交互分成三层：用户用自然语言或结构化表单表达目标；Agent 在无界面或弱界面的执行层调用工具；系统再用适合人理解的方式展示计划、关键决策、风险和结果。真正应该被压缩的是中间那些机械操作，不是用户对系统的控制权。

对 AI PM 来说，新的界面判断标准不再只是“用户能否顺利完成点击路径”，而是：用户能否快速知道 Agent 正在做什么？能否在关键节点介入？能否分辨事实、推断和系统决定？能否低成本地检查最终产物？

GUI 没有退场。退场的是把用户困在每一个步骤里的 GUI。

3. AI PM 最重要的能力，不是画出新界面，而是重新定义问题

访谈中有一句非常适合贴在 AI 产品团队墙上：作为 PM，最重要的是定义问题，不要去解决一个上个时代已经被解决得很好的问题。

过去做产品，团队很容易从界面开始想：首页放什么、侧边栏如何组织、按钮放在哪里、用户经过几步完成任务。因为在 App 时代，界面就是能力的主要入口，信息架构往往也决定了产品架构。

但进入 Agent 时代，如果仍然从“这块界面怎么画”开始，团队很可能只是给旧流程加一层 AI 外皮。真正应该先问的是：用户究竟想要什么结果？为了得到结果，他现在承担了哪些本不该由人承担的工作？哪些决策必须由人做，哪些步骤可以交给 Agent？

访谈里的 Gmail 例子很典型。钟天杰过去订阅了几百个信息源，为了维护收件箱，他设置关键词、标签、过滤规则，还要定期花几个小时整理。最初这种整理会带来秩序感，后来维护分类体系本身却变成了负担：形式的意义超过了消费信息的意义。

当 Gmail 能授权给 Codex 后，问题被重新定义了。用户真正需要的不是“一个整理得很漂亮的收件箱”，而是“每天不要错过重要信息”。Agent 可以读取过去 24 小时的邮件，按照个人需求筛选和总结，把值得关注的内容主动交付出来。标签、筛选器、文件夹这些过去极其重要的产品结构，在这个工作流里突然不再是主角。

你敢信？一个产品团队可能花很多年优化邮件分类体验，最后用户最满意的方案却是绕开收件箱。

这就是 AI PM 与传统 PM 的关键差别。传统 PM 常常优化用户如何使用工具，AI PM 更需要判断工具是否还应该由用户亲自使用。传统路径分析关注“用户在哪一步流失”，Agent 路径还要追问“这一步为什么需要用户出现”。

一个实用方法是，在设计任何 AI 功能前，先把流程写成“目标—判断—动作—结果”，而不是页面流程图。然后逐项标记：哪一部分需要人的价值判断，哪一部分只是信息搬运，哪一部分是工具调用，哪一部分是验收。页面应该在这个分析之后出现，而不是之前。

未来真正稀缺的 PM，不是更快画出 Agent 界面的人，而是敢于删掉旧问题、重新定义任务边界的人。

4. CLI 的复兴，不是极客文化回潮，而是软件开始为机器提供入口

CLI 看起来像一个非常古老的技术形态：没有漂亮界面，只有纯文本命令。它过去最大的门槛也非常明显——人记不住。

访谈里用 FFmpeg 举例。这个工具可以处理极其复杂的音视频任务，但参数和组合非常多，即使开发者也不可能记住所有命令。GUI 通过按钮和时间轴帮助人类理解这些能力，而大模型恰好解决了 CLI 最大的障碍：人不用再背命令，只要描述“把码率压低”“裁成 3:4”“把几段视频排到一个画面里”，Agent 就能翻译成精确指令。

于是，CLI 从人类难以使用的旧入口，变成了 Agent 天然适配的工具协议。它是纯文本的、可组合的、可重复执行的，也更容易被记录、检查和纳入自动化流程。

这背后有一个比交互形式更大的商业变化：当软件开放 CLI、API 或 MCP 后，它可能失去对用户入口的独占，却有机会成为更多 Agent 默认调用的基础能力。

Google Suite、飞书，以及访谈中提到的一些消费品牌，都在尝试把服务开放给 Agent。对用户来说，这意味着不必打开多个小程序完成点单、订票、查日程和整理文档；对平台来说，却是一道艰难的防守题。如果 Agent 在上层完成需求理解、推荐和交易，底层服务商可能被压缩成数据库或履约工具，用户甚至不再记得自己使用过哪一个界面。

所以是否开放 CLI，从来不只是技术决策，而是公司如何理解自身价值的问题。

如果一家公司的核心价值是履约——例如把咖啡送到用户手里——让 Agent 更方便地下单可能扩大需求。如果公司的优势主要来自入口控制、广告分发和用户时长，开放就可能削弱原有商业模式。微信、小红书、美团等平台是否会提供真正开放的 Agent 接口，背后都是同一种张力：获得新的机器流量，还是守住旧的人类入口。

但这件事还有安全与信任的另一面。让 Agent 访问邮件、聊天记录、联系人和交易能力，不能只看效率。授权范围、数据用途、操作审计、撤销机制和敏感动作确认，都会成为产品竞争力。开放不是把所有数据交出去，而是设计一套细粒度、可追责、用户真正理解的委托关系。

AI PM 在做工具生态时，最好同时问两个问题：怎样让 Agent 更容易调用我们的价值？怎样确保它只能在用户真实授权的边界内调用？前者决定增长，后者决定产品能不能长期存在。

5. Skill 的真正价值，是把个人品味从“感觉”变成可复用资产

如果说 CLI 解决的是“Agent 如何操作工具”，Skill 解决的更像是“Agent 应该按照什么方法完成任务”。

访谈中，歸藏谈到自己的 PPT Skill。它最早并不是团队先写出一套庞大规范，再开发成产品。第一个版本只来自一句需求，Agent 从已有 Memory、历史项目和样式代码里提取他的偏好，组合出一个已经相当惊艳的结果；之后他再反复调整，才逐步沉淀成可复用的 Skill。

这个过程揭示了 Skill 最重要的价值：它不只是提示词文件，也不只是工具说明，而是把一个人过去反复做对的事情，压缩成可以再次执行的上下文。

很多专业能力很难被写成传统 SOP。设计师说“这里不够高级”，编辑说“这段没有节奏”，投资人说“这个 BP 缺少可信度”，背后往往是一组长期形成、本人也未必能完整说清的判断。当 Agent 可以读取历史作品、观察修改记录、比较用户选择，再让人参与校正时，原本隐性的品味才有机会变成显性的生产资料。

访谈里还提到一种自动沉淀方式：让 Agent 回看历史对话，识别重复任务，批量建议可以生成哪些 Skill。这条路径是成立的，但不能跳过人的调整。因为模型是在猜测规则，它能发现重复，却不一定理解你为什么在关键时刻做了不同选择。

这对 AI PM 的启发是，Skill 产品不能只有“保存为模板”按钮。真正有价值的闭环应该包含四步：从历史行为中发现重复模式；生成可读、可编辑的规则；让用户通过真实任务验证；根据修改和结果继续更新。Skill 不是一次性配置，而应该是人和 Agent 共同维护的工作方法。

更关键的是，Skill 改变了个人能力的复利方式。过去，一个人的审美和经验主要随本人流动；现在，它可以被封装、安装、传播，甚至跨 Agent 运行。一个开发者未必能做出统治级 Agent，却可能做出被多个 Agent 安装的统治级 Skill。

未来个人最值得积累的，也许不只是文档和作品，而是“我如何稳定做出这些作品”的可执行版本。

6. Skill 商业化的难点，不在供给，而在信任、分发和结果验证

Skill 看起来很像下一代应用商店里的 App，但如果直接照搬 App Store 的逻辑，很可能会遇到问题。

歸藏在访谈里坦率地谈到付费困难。C 端用户已经为模型 Token 付过钱，很容易追问：为什么还要为一个文本形式的 Skill 再付一遍？更现实的问题是，用户在安装前很难判断两个 Skill 的差别。它们可能都有漂亮说明，也都承诺生成高质量 PPT，但真正的差异藏在边界条件、审美选择、工作流细节和长期维护里。

这意味着 Skill 的价值不能只靠功能列表展示，而要靠结果建立信任。

小红书式的内容社区在这里可能提供了一种有趣路径。创作者可以展示 Skill 的实际产物，用户可以评论、反馈、晒出使用结果，其他人通过真实案例理解它适合什么、不适合什么。对 Skill 作者而言，社区不仅是分发渠道，也是持续共建和验证产品的地方。

但 Skill 生态要真正成熟，还需要解决几个基础问题：跨 Agent 的安装量如何统计？评价如何防止刷量？版本更新如何触达已经安装的用户？Skill 调用了哪些工具、读取了哪些数据，用户如何知道？模型升级后，原来的效果是否会漂移？纯文本规则容易被复制，作者靠什么获得持续收入？

这些问题说明，Skill 商业化的壁垒未必是文件本身，而是品牌、评测、分发、兼容性和持续更新。就像开源代码可以免费获得，但企业仍然愿意为可信维护、托管服务和技术支持付费。

对做 Skill 平台的 AI PM 来说，最不该急着做的可能是一个琳琅满目的商店首页。更优先的基础设施包括：统一的效果评测、可复现的示例任务、权限披露、版本与依赖管理、跨模型兼容测试，以及能证明作者长期维护能力的信誉系统。

用户真正购买的不是几 KB 文本，而是“这件事交给它，我大概率能得到想要的结果”。当这种确定性出现，商业价值才会出现。

7. 用户最终不会关心 CLI、MCP 和 Skill，他们只会记住“谁把事情做成了”

今天的 Agent 行业仍然热衷于讨论技术分层：什么时候用 CLI，什么时候做 MCP，什么时候封装 Skill，Memory 与 Harness 分别放在哪里。这些讨论对开发者很重要，却不应该成为普通用户的认知负担。

钟天杰在访谈中提到一个很准确的判断：最终用户信任的应该是一个能持续完成某类任务的 Agent，而不是它背后安装了哪一个 Skill。就像人们会说“Google 一下”，却不会说“调用 PageRank 帮我完成信息相关性排序”。当一个产品真正成熟，它会成为任务的代名词，底层概念则逐渐隐身。

这也是为什么“功能很多”很难自然转化成产品心智。一个 Agent 宣称拥有数百个连接器、数千个 Skill、几十种模型，只是在向用户展示它内部的复杂性。用户需要的是一个清晰承诺：你可以放心把哪一类结果交给我？

对 AI PM 来说，产品架构可以复杂，用户承诺必须简单。团队需要选择一个可被反复验证的任务边界，围绕它建立连续上下文、工具调用、质量标准和失败恢复。用户在多次获得稳定结果后，才会形成真正的委托关系。

这也解释了为什么垂直 Agent 仍然有机会。通用模型可以调用越来越多工具，但“知道怎么做”和“长期稳定地替某一类用户做好”之间仍有距离。法律、财务、研究、销售、内容制作等场景，需要的不只是能力，还包括流程知识、质量标准、责任边界和组织记忆。

不过，垂直产品也不能把“专业”误解成堆叠行业术语。它的专业性应该体现在结果和异常处理上：知道什么情况下必须向人确认，知道哪些数据不能越权使用，知道输出应该进入哪个组织流程，也知道什么时候应该拒绝给出确定结论。

真正成熟的 Agent 产品，会把底层技术复杂度留给自己，把任务确定性交给用户。

8. OpenClaw 留下的最大遗产，不是热度，而是“持续关系”比会话窗口更重要

访谈录制时，OpenClaw 的爆发只过去一百多天，热度却已经迅速消退，甚至让人产生“这个词怎么已经有点过时了”的感觉。

但一个产品热度下降，不代表它没有留下行业资产。歸藏认为，OpenClaw 在国内最大的意义是粗暴地完成了一次共识教育：它让更多投资人、创业者和普通用户意识到，新一代 Agent 与过去挂着 Agent 名字的问答产品并不是同一种东西。

钟天杰补充了另一个关键点：OpenClaw 证明了 CLI 对多数用户仍然太难，用户希望在熟悉的 IM 界面里与 AI 发生关系。WhatsApp、Slack 或微信式的连续对话，让用户感觉自己面对的不是一个用完即走的工具，而是一个能够保留上下文、持续存在的协作者。

这条观察非常重要。今天大量 AI 产品仍然是 session-based：打开窗口、输入 Prompt、得到回答、关闭窗口。下一次再从头开始。即使模型能力很强，产品关系仍然是一次性的。

真正的 Agent 体验更接近一段持续关系。它知道你正在推进什么项目，记得上次停在哪里，能在条件满足时主动回来找你，也能把新信息放进长期任务，而不是等待你重新组织一遍上下文。

当然，持续关系也带来新的设计难题。记忆保存什么、忘记什么？Agent 何时可以主动打扰？群聊中的信息是否默认可被读取？用户如何纠正错误记忆？工作身份与私人身份能否隔离？这些问题比聊天气泡的样式重要得多。

所以，IM 未必是 Agent 的最终形态，却揭示了一个不会轻易消失的需求：用户需要低学习成本的入口，也需要跨会话延续的上下文。下一代 Agent 的突破，可能不是发明一种陌生界面，而是在熟悉界面下建立全新的记忆、权限和协作机制。

9. AI 创业最先被改写的，可能不是产品形态，而是生产函数

今天做一个从零到一的产品，创业者未必最缺员工，也未必最缺传统意义上的启动资金，但只要让 AI 持续写代码、生成内容、运行实验，就一定需要 Token。

歸藏的 CodePilot 是其中一个案例。它希望成为足够开放、足够本地化的 Agent 外壳，把 Skill、Memory、CLI 等 Harness 资产留在本地，并允许用户切换不同模型。另一个被支持的项目则是基于 yoagent 构建的自主编程智能体 yoyo，更像一场数字生命实验：从极少量初始代码开始，围绕“超越 Claude Code”的目标持续扩展自己的代码库。

无论这些项目最终走向哪里，它们都说明创业的生产函数正在变化。过去，资金主要用来招聘工程师、购买设备和获得分发；现在，一部分资金会直接转化成模型推理与 Agent 工作时长。Token 不只是云服务账单，它越来越接近数字劳动力的原材料。

这会带来一种容易被低估的变化：下一代爆款产品未必在前端形态上完全陌生，它可能还是视频、消息、文档或电商，但背后的生产效率提升了十倍甚至一百倍。

访谈用了一个很形象的类比。电力没有改变猪肉的基本形态，却让养殖从家庭作坊走向规模化生产。同样，AI 可能不会立刻发明“视频之后的内容形态”，却会先把视频的策划、制作、分发和迭代彻底工业化。下一个抖音未必不是抖音式产品，它也可能是一个拥有十倍内容产能、能够为每个用户动态生产内容的平台。

对创业者和 AI PM 来说，这意味着判断机会时不能只问“界面是否前所未见”。更应该问：AI 是否把某项服务的单位成本打下来了？过去只有大客户买得起的服务，能否提供给个人？过去按项目交付的工作，能否变成实时、持续、个性化的产品？过去必须靠组织规模获得的能力，能否被小团队调用？

真正值得关注的，不只是下一个新入口，还有哪些旧行业会因为生产函数变化而重新洗牌。

10. 别再把人留在每一个步骤里

回看这 500 天，很多热词都会退潮。模型会吸收一部分 Prompt，Agent 会吸收一部分 Skill，平台会把今天需要手动配置的能力做成默认功能。半年后，我们现在争论的某些定义可能已经显得陈旧。

但有一条变化大概率不会倒退：软件正在从“等待人操作的工具”，变成“接受委托并交付结果的系统”。

在这个过程中，GUI 不会消失，它会更多承担表达目标、建立信任和验收结果的职责；CLI、API 与 MCP 会成为 Agent 调用现实世界能力的入口；Skill 会把人的方法和品味变成可复用资产；持续记忆与权限系统会决定 Agent 能否从一次性工具变成长期协作者；Token 则会成为新生产体系的重要成本。

如果把这些变化沉淀成 AI PM 的工作方法，可以记住五件事：

• 从用户想要的结果出发，不要从要画什么页面出发；
• 把流程中的“人肉搬运”单独标出来，能删除就不要优化；
• 让执行层对 Agent 友好，让监督层对人友好；
• 把权限、记忆、失败恢复和结果验证当成核心产品，而不是工程补丁；
• 不用新概念包装旧问题，优先寻找被模型能力重新打开的任务边界。

Agent 元年第 500 天，真正诞生的不是一个确定的新界面，而是一种新的产品责任：用户不再满足于“工具已经提供给你”，而会要求系统对结果承担更多责任。

所以，当你下一次准备给产品增加一个 AI 入口时，不妨先停一下。你是在给旧软件多加一个聊天框，还是终于准备把用户从那些本不该由他完成的步骤里解放出来？