我的 2025 年 AI 领域年度观察

自 2023 年起，我坚持每年撰写一篇个人视角的 AI 领域年度观察总结。2025 年的技术变化更加剧烈，本次总结涵盖 Agent 架构演进、企业 AI 转型及 AI 产品趋势等多个维度。从 DeepSeek-R1 的开源冲击到 Claude 3.7 Sonnet 引爆编程赛道，从上下文工程取代提示词工程到 Claude Code 与 Manus 的路径分化，从 AI 视频产品的蓬勃发展到传统 SaaS 市场被重塑，这一年见证了 AI 技术从理论到应用的全面爆发。本文首发自个人博客我的 2025 年 AI 行业观察：Agent 架构演进、企业 AI 转型现状与 AI 产品趋势

ChatGPT 发布一周年记： 大模型时代，个人如何实现自我成长

ChatGPT 发布两周年记： 大模型基础设施与中间件工具生态演进

目录

• 2025 年我心中的「ChatGPT 时刻」
  

• Agent 架构演进
  

- 从提示词工程向上下文工程的范式转移

- 系统化评估是 Agent 走向生产环境的关键

- Agent 是机会，为 Agent 造工具也是机会

- 通用 Agent：Claude Code 与 Manus 的路径分化

- Agent 未来演进方向

• AI 产品
  

- 什么是优秀的 AI 产品

- AI 让软件重新回归效率

- AI 正在蚕食传统 SaaS 市场

- AI 视频类产品蓬勃发展

- AI 编程赛道天花板极高

• 企业 AI 转型
  

- 企业对 AI 的认知参差不齐

- AI 人才的匮乏与定义

- 组织惯性带来的阻力

- 如何推动转型落地

• 时代的机遇与个人的抉择
  

2025 年我心中的「ChatGPT 时刻」

2025 年我认为值得特别记录的一些模型发布，它们深刻改变了行业格局。

2025 年 1 月 20 日 DeepSeek-R1 发布：DeepSeek 发布了在数学、代码编写和逻辑推理方面表现卓越的 DeepSeek-R1 模型。其性能直追 OpenAI o1，并能够展示详尽的思维链。该模型通过 MIT 协议开源了相关权重和代码，不仅产生了深远的技术影响，更直接重塑了全球开源与商业大模型，乃至中美大模型的技术竞争格局。

2025 年 2 月 24 日 Anthropic 推出 Claude 3.7 Sonnet：Anthropic 推出了自家首款混合推理模型 Claude 3.7 Sonnet，显著提升了模型的编程（特别是前端能力）和推理能力，带动 AI 应用层产品 Cursor、Manus 以及 Claude Code 的相继走红，各大模型厂商的迭代重点集体转向编程领域，在「Vibe Coding」理念持续火热的背景下，编程能力提升成为为大模型竞争重点。

2025 年 4 月 16 日 OpenAI 正式发布 o3 系列模型：OpenAI 发布了 o3 系列模型，支持在思维链中原生调用工具，并将图像理解能力融入推理过程，能够结合缩放、旋转等图像处理工具解决复杂的视觉推理问题。此外，o3 引入了「交错思考」（Interleaved Thinking）能力，即在推理过程中交替执行思考与行动（ReAct 模式）。该能力通过 Responses API 首次上线，支持推理摘要以及在函数调用过程中保留推理 Token，并预告将内置网页搜索、文件检索和代码解释器等工具。随后，各大厂商纷纷跟进「交错思考」技术：

• Anthropic 正式将此模式命名为「Interleaved Thinking」，并通过特定的 Beta Header 提供 API 支持。「To enable interleaved thinking, add the beta header interleaved-thinking-2025-05-14 to your API request.」

• MiniMax M2 原生支持交错思考，模型在每轮工具交互间进行反思，根据环境反馈决定下一步行动。「「M2 natively supports Interleaved Thinking, enabling it to reason between each round of tool interactions. Before every Tool Use, the model reflects on the current environment and the tool outputs to decide its next action.」」

• Kimi K2 引入了类似的 Thinking 模式。

• Google 为 Gemini 3 Pro 带来了思维签名（Thought Signatures）功能。

• DeepSeek-V3.2 实现了将思考直接集成到工具调用中，并支持在思考与非思考模式下灵活切换。「DeepSeek-V3.2 is our first model to integrate thinking directly into tool-use, and also supports tool-use in both thinking and non-thinking modes.」

2025 年 11 月 18 日 Google Gemini 3 系列：Gemini 3 Pro 将大模型的综合智力与知识储备推向了新高度，它几乎承载了整个「前互联网时代」的知识库，不仅知识性幻觉极低且推理速度飞快，代表了当前大模型技术的最高综合水平。

多模态领域的其他突破

• Google Veo 3（2025 年 5 月）： 实现了音画同步的视频生成，是首个能在生成视频画面的同时，精准匹配环境音效（如鸟鸣、交通声）乃至人物对话的视频生成模型。

• OpenAI GPT Image 1（2025 年 3 月）： 具备原生图像生成能力，实现了极高精度的文字渲染与跨模态推理（例如在生成图片中精确嵌入特定的长文本）。

Agent 架构演进

Agent 的架构演进本质上是在模拟现代组织的管理模式，若将项目管理（PMP）视为教导 Agent 「如何正确做事」的方法论，那么工作分解结构（WBS）则对应 Agent 的任务规划能力，ReAct 范式的灵感源于戴明环（PDCA），而 Anthropic 推出的 Claude Skills 则是对组织过程资产（OPA）的高度抽象。

从提示词工程向上下文工程的范式转移

此前，开发者过度关注提示词工程，试图通过复杂的修辞、角色扮演（如「你是一位拥有 10 年经验的前端工程师」）或思维链技巧来优化模型输出，不过随着模型基础能力的显著增强，单纯依赖指令的方法已趋于瓶颈。

当前，上下文工程已走入舞台中央。其核心不再是打磨具体的指令措辞，而是优化模型在特定时刻的信息状态，与其编写冗长的指令指导模型逐步思考，不如为其提供清晰的背景资料、相关文档和精准的数据结构，模型本身的推理能力已足够强大，性能瓶颈往往源于解决问题所需的上下文信息匮乏。

上下文工程是一门设计系统的学科，旨在以正确的格式提供精准的信息与工具，使大语言模型获取完成任务所需的完备要素。这包括上下文卸载（信息外部化）、上下文缩减（历史记录压缩）、上下文检索（动态信息注入）以及上下文隔离（环境解耦）。在 Agent 开发中，系统架构、工具定义及数据检索逻辑本质上都是提示词的组成部分。

设计优秀的工具接口是上下文工程的核心

完善的工具定义（Tool Definition）必须包含清晰的名称与描述、详尽的参数说明（明确每个参数的类型、取值范围及必填项）、应用示例（在描述中直接给出调用示例，例如：「若需查询 X，应按此格式调用工具……」）。

此外，工具设计应具备「防御性编程」思维：若模型输入的参数格式略有偏差（如多余空格），工具应尝试自动修正或返回明确的错误提示，而非直接崩溃。工具返回的结果应采用结构化、易于解析的文本，避免返回模型难以理解的二进制数据。

系统化评估是 Agent 走向生产环境的关键

开发者需持续收集真实的、具挑战性的用户案例，并标注标准答案或预期行为，评估维度包括：

• 效率与成功率：任务是否完成？Agent 消耗的步骤越少，通常意味着系统的可靠性越高且成本越低。

• 成本与延迟：在生产环境中，性能表现必须兼顾准确性、速度与经济性。

• 行为可靠性：对于「邮件总结」等创造性任务，不存在唯一标准答案。评估重心应从「单元测试」转向「行为验证」，即关注 Agent 的路径选择而非简单的字符串匹配。

只有当评估分数稳步提升时，Agent 的优化才具有实质意义。

Agent 是机会，为 Agent 造工具也是机会

随着 Agent 代码执行能力的增强，对安全沙盒环境（如 E2B、Daytona）的需求激增。同时，推理能力的提升使 Agent 能自主规划路径，进而催生了两类关键工具：

• 强化学习微调工具（如 OpenAI RFT、Fireworks）：用于在模型外部通过 RL 增强 Agent 能力。

• 评估与监督平台（如 Braintrust、Galileo）：为复杂任务提供必要的观测保障。

此外，计算机使用（Computer Use）与浏览器操作能力（Browser Use）的出现标志着又一次演进。Anthropic 与 OpenAI 相继推出相关功能，使 Agent 能在受控沙箱中模拟人类操作（视觉识别、鼠标点击、键盘输入），并带动了底层云端浏览器基础设施（如 Browserbase、Anchor Browser）的生态繁荣。

通用 Agent：Claude Code 与 Manus 的路径分化

以 Claude Code 和 Manus 为代表的通用 Agent 展现了两种不同的演进路径。这些系统具备自主规划、工具调用及环境反馈闭环处理能力，旨在最大化扩展 AI 的能力边界。

Claude Code：深耕存量业务与技能抽象化

Claude Code 的演进不仅聚焦于新兴场景，更兼顾了企业既有流程与业务的平滑迁移。

Claude Code 虽然在 2025 年 3 月以编码 Agent 的身份问世，但其潜力远超编程范畴。社区开发者迅速将其应用扩展至知识库构建、辅助创作及项目管理等领域。2025 年 9 月，官方正式将 Claude Code SDK 更名为 「Claude Agent SDK」，标志着其核心能力——规划逻辑、上下文自动压缩及文件系统访问机制——已从特定工具沉淀为通用的底层框架。

Skill 范式与流程标准化，Claude Code 试图通过 「Skill」 特性打破数据壁垒。其核心逻辑是将企业中可 SOP 化的流程（如品牌风格指引、报告输出、合同拟定等）封装为可复用的指令集。

Don't Build Agents, Build Skills Instead：Anthropic 提出了这一极具影响力的理念，并发布了 Skills 开放标准。在该架构中，模型被类比为 CPU，Agent 运行时（Claude Code）则是操作系统，而 Skills 则是运行其上的应用。这种范式预示着未来开发者无需构建整套复杂的 Agent 系统，只需专注于特定 Skill 的开发即可。

Manus：极致的上下文工程与架构创新

Manus 则更侧重于新业务的承载与能力边界的扩展，其对「上下文工程」的理解处于行业顶尖水平。

• 精细化的上下文策略：Manus 通过去除冗余并保留核心要素来优化上下文质量。例如，在执行编码任务时，系统仅记录文件路径而非全文内容。

• 借鉴并发哲学的通信机制：多智能体系统常因上下文污染而失效。Manus 借鉴了 Go 语言的并发原则，主张「通过通信共享上下文，而非通过共享内存通信」。对于离散任务，各子 Agent 拥有独立的上下文，仅传递特定指令；仅在处理复杂推理任务时，才谨慎共享完整的上下文历史，以降低缓存压力。

• 分层动作空间：为避免工具过多导致的决策混淆，Manus 建立了三级管理体系：一级核心工具约 20 个高频、稳定的工具，易于缓存；二级沙箱工具，通过通用工具实现特定功能扩展；三级代码单元，利用代码处理复杂的逻辑链条。

尽管 Manus 已实现 1 亿美元的年经常性收入（ARR）并验证了 PMF，但是业务上的长期竞争力我仍然保持怀疑，如何抵御通用模型厂商的能力下沉（如 ChatGPT Agent、扣子空间等）和垂直厂商渗透的挑战，什么都想做但都做不精是危险的。在缺乏行业场景深度理解的情况下，Manus 难以解决极高复杂度的专业问题，通用 Agent 宣称能做所有事情，实际上在任何一个领域都做不到最好。

Manus，困在沙盒中的手办

Agent 未来演进方向

1. 长周期运行（Long Time Run）：Agent 必须具备 7x24 小时持续稳定运行的能力，实现多步骤、长链路任务的自动化执行。

1. RL 环境构建：

强化学习环境是 Agent 进化的新战场，一众新兴初创企业（如 Mechanize 和 Prime Intellect 等）致力于构建完整、可靠的垂直领域 RL 环境，并以此与顶尖模型厂商达成深度合作，高质量的 RL 环境是增强 Agent 能力的关键路径，这些 RL 环境通过高度仿真的现实任务，使 AI 能够实现试错式学习，在未来的 AI 演进中，RL 环境的构建将具有里程碑意义，其重要性不亚于上一阶段的数据标注。

AI 产品

什么是优秀的 AI 产品

精细编辑能力优先于生成能力：目前的 AI 技术仍面临「一次性生成结果不可控」的局限。如果一个成熟的产品无法让用户进行深度的后编辑与微调，它本质上只是一个 Demo。以近期备受瞩目的 Nano Banana 模型为例，虽然其具备生成 PPT 的潜力，但在 NotebookLM 中生成的结果往往不可编辑，这大大限制了其实用性。相比之下，Lovart 凭借其强大的分层编辑与文字局部修改能力，反而成功出圈。

交付物的「所见即所得」：生成结果必须可直接交付。依然以 NotebookLM 生成 PPT 为例，交付物仅是 PDF 格式，导出后仍需人工转换为 PPT 并进行大量二次排版，那么该产品依然停留在 Demo 阶段。而 Lovart 的优势在于可以直接导出格式精美、包含源文件的 PPT 演示文档，真正实现了生成即交付。

私有知识库的深度集成：由于通用大模型难以解决特定领域的垂直问题，支持强大的私有数据接入已成为刚需。若产品仅能获取公开网络信息或进行简单的单文件读取，其商业价值将大打折扣。真正的生产力工具必须能够深度整合企业的私有知识资产。

AI 让软件重新回归效率

AI 正在促使软件重新回归效率，这也解释了为何国内众多 AI 原生应用优先选择 PC 端和 Web 端作为核心切入点。回顾移动互联网早期，曾涌现出大量被寄予厚望但最终证明价值有限的「补丁型工具」——例如那些仅依附于操作系统进行细微优化的插件。同理，当前许多针对大模型进行的碎片化补丁或特定场景的适配优化，从长远来看，其独立存在的商业意义或许有限。具体体现在以下几个维度：

• AI 搜索： 这类产品并不构成一个独立的「赛道」，而是模型厂商必然会补齐的原生能力。

• 通用 Agent： 难以形成长期的竞争护城河，随着底层模型能力的不断进化，终将被通用模型直接覆盖。

• 记忆管理补丁： 针对模型记忆能力的外部优化工具同样面临挑战。大家都能看到的痛点，模型厂商自然也能洞察，目前的缺失仅是因为当下的研发重心尚未转移至此。

移动互联网时代的核心逻辑是「连接」，在利用网络效应的同时，也造成了一个个中心化的数据孤岛。相比之下，AI 产品的核心价值在于「打通」，通过深度整合长链条流程和数据孤岛，直接产出高价值的最终结果。

AI 正在蚕食传统 SaaS 市场

上半年我对这一趋势还有所怀疑，那么进入到 2025 下半年，随着 AI 编码能力的指数级飞跃，正在成为一种既定事实。AI 编码正在从根本上颠覆传统的 SaaS 市场：软件正从「固态」演变为「动态」——它不再是预定义的、僵化的功能集合，而是能够完全基于用户需求即时定制的工具，且代码与数据的主权将彻底回归用户。

特别是在小型 CRM、项目管理及任务管理等垂直领域，传统 SaaS 正在经历一场大拆解。由于构建的门槛已低于购买，许多传统软件类别将被拆解为无数微型、高度定制化的应用，市场整体将呈现两极分化：

• 消亡端： 那些仅仅是在数据库之上叠加简单前端界面与协作功能的「薄型 SaaS」，将因缺乏核心护城河而逐渐消失。

• 演进端： SaaS 巨头将转型为「记录系统」，通过内置强大的 AI 编程能力，允许用户自主定义界面与工作流。此时，软件本身将进化为一个无限可扩展的生态平台。

有赞创始人白鸦曾指出，目前 SaaS 工具中的很多功能，只有 3%-5% 的人在用。这正是令 To B 产品经理极度头疼的困境：为了留住这极少数的续费用户，系统不得不维持庞大且臃肿的功能堆叠，而这对其余 90% 的用户而言，无异于一种交互干扰。AI 驱动的动态软件，或许正是解决这一长久以来「功能冗余与用户体验平衡」难题的终极方案。

AI 视频类产品蓬勃发展

视频模型在生成质量与一致性上显著提升，用户对视频生成的结果更具包容性（相比于纯文本），AI 视频能够作为独立工具快速嵌入现有业务流程，相比之下，复杂的 AI 知识库或 AI 工作流项目往往需要与业务系统深度整合，其建设成本与实施门槛均较高。

目前，AI 视频类产品正迎来蓬勃发展，无论是在生产力工具还是泛娱乐领域，均出现出大量产品，且其商业化潜力已得到市场验证。例如，可灵 AI、HeyGen、Runway 以及 Synthesia 等产品的年度经常性收入（ARR）均已突破 1 亿美元。

AI 编程赛道天花板极高

Anthropic Claude 3.7 Sonnet 模型凭借在编程、逻辑推理及多步复杂任务处理能力的显著提升，成为 Cursor 的默认集成模型。这一组合大幅提高了代码生成与编辑的准确率，其产品体验已明显超越当时仍在使用 GPT-4 或 Claude 3 Opus 的竞争对手。得益于此，Cursor 的用户量与 ARR 实现了爆发式增长，成功在市场上出圈，并彻底引爆了资本与开发者对 AI 编程赛道的关注与投入。

AI 编程领域已证明其具备可行的盈利模式与巨大的市场需求，并不断刷新 SaaS 行业的增长纪录：Lovable 仅用 8 个月、Cursor 仅用 12 个月便实现了 ARR 从零到 1 亿美元的突破。与此同时，GitHub Copilot 已拥有超过 2000 万名用户，付费订阅者突破 180 万；其在企业级的渗透同样惊人，超过 90% 的财富 100 强公司已采用该工具，彰显了 B2B 市场的巨大潜力。截至 2025 年 12 月底，AI 编程市场的规模持续扩张，核心厂商的 ARR 数据如下：

• Cursor：突破 10 亿美元

• Claude Code：远超 10 亿美元

• Replit：突破 2.5 亿美元

• Lovable：突破 2 亿美元

• Devin (Cognition Labs)：突破 1.5 亿美元

AI 编程的市场红利正处于快速释放期，赛道天花板极高。

企业 AI 转型

企业对 AI 的认知参差不齐

尽管媒体头条几乎被 AI 占领，但在企业内部，实际进展却不尽相同。企业对 AI 的态度大致可分为三类：

• KPI 驱动型： 这类企业引入 AI 主要是为了缓解管理层的焦虑或应对汇报压力。即使资金充足，其本质仍持审慎观望态度，不愿在试错上投入成本。

• 竞争驱动型： 因目睹竞争对手的大量投入产生紧迫感而引入 AI。他们在投入上相对谨慎，旨在通过初期尝试建立对 AI 的基础认知。

• 战略重塑型： 这类企业意识到 AI 是未来商业溢价的关键，因此积极利用 AI 赋能业务。他们不仅愿意投入研发成本，且对 AI 认知较深。

目前，能够自上而下认可 AI 长期价值、并相信 AI 能重塑生产关系的组织仍属少数，且多集中在初创企业或数字化基础较好的公司。

这种认知差距在企业培训中尤为明显。多数公司对 AI 的需求仍停留在基础概念扫盲阶段（如学习如何为豆包、DeepSeek 撰写提示词），而非深度的 AI 项目落地方法。这导致 AI 自媒体的市场需求激增，因为许多企业目前更需要「快上车，否则就来不及了！」的情绪化鼓动，而非复杂的落地逻辑。

自 ChatGPT 发布以来，市场对 AI 的态度呈现两极分化：一种是「完美主义式」的质疑与观望，等待技术无懈可击后再使用；另一种是「实践主义式」的边干边学，在应用中发现并解决问题。三年过去，先行者已在工作中取得显著成效，而观望者则已被拉开了身位。

AI 人才的匮乏与定义

多数企业在 AI 转型中面临两个核心难题：不明确所需人才的具体画像，也不了解应用型 AI 人才的评价标准。技术人员往往难以清晰描述业务逻辑，而业务负责人又未必具备推动 AI 落地的意愿。

在 AI 实施过程中，转型意愿往往比技术能力更重要。 除了激发员工的主观能动性，企业的激励机制也需同步跟进。对于适配企业业务的 AI 人才，内部培养通常优于外部引进。 这一方面是因为此类人才在招聘市场上成本极高，另一方面是因为 AI 工具虽然通用，但核心的数据与业务场景却掌握在业务人员手中。业务人员积累的行业数据是 AI 应用的燃料，他们比任何人都清楚数据的来源与价值。

那么，什么是好的应用型 AI 人才？我们应当跳出传统的职位头衔（如 AI 产品经理、首席数字官等），关注其核心能力：

• 技术路径选择： 能够为业务选择合适的 AI 技术路径并验证其可行性。

• 流程设计（SOP）： 设计全局标准操作流程，确保 AI 应用流程清晰透明。

• 数据归集与评测： 整理项目数据，确保模型可观测，并解决测试集与模型评测等技术问题。

优秀的 AI 人才应具备系统思维，能冷静判断技术热点，并明确技术能力边界，避免盲目跟风。他们的核心价值在于将技术路径转化为可复现的交付产出与关键指标的提升。如果这样描述还有点抽象，建议看看「飞书 AI 效率先锋全国大赛」的决赛项目。这些项目背后的团队大多具有深厚的业务背景而非纯 IT 专家，他们证明了 AI 在业务一线的巨大潜力。

组织惯性带来的阻力

1. 部门墙与决策障碍

企业 AI 转型是面向组织与业务系统的系统性工程。由于大型 AI 项目需要深度业务整合，往往需要由一把手亲自牵头。实施的难点在于如何拆除部门墙，实现数据、流程与跨部门协作的贯通。由于团队成员对 AI 的认知参差不齐，往往难以在决策依据上达成共识。这种变革阻力在任何企业转型中都存在，但在 AI 浪潮中显得尤为激烈，原因在于 AI 替代引发的员工心理防御。

2. AI 替代引发的员工心理防御

在《我被强迫使用 AI，直到我被解雇的那天》的故事中，作者是一位自由撰稿人，它说“报社招我去当撰稿人，我以为是去写稿，结果却是以极低的薪水让我编辑 AI 生成的文案草稿，理由是大部分工作已经完成了。这让我深受打击，我曾经觉得自己很有价值，受人重视，对未来充满希望，渴望拥有辉煌的职业生涯，现在却只能修改 AI 生成的文字”。这就是残酷的现状：表面上是 AI 辅助人，实际上正演变为人辅助 AI。随着模型智能的提升，AI 的验证与生成能力都在快速增强，越来越多的场景甚至不需要人辅助 AI。

无论你是否承认，从商业设计来看，AI 就是瞄准干掉白领劳动力的，很残酷，但没有办法。媒体常说「取代你的不是 AI，而是会用 AI 的人」，但更深层的真相可能是：「掌握了 AI 能力的人，最终可能也会被掌握了 AI 的 AI 所取代」，这涉及社会议题，暂且不表，但对个体而言，AI 的学习进化速度意味着传统的职业护城河正在瓦解。

3. 传统职场角色划分的失效

在 AI 时代，关于程序员是否会被替代、设计师是否会被产品经理取代的争论已无意义，如果职场人仍固守单一的技能边界（如只负责写代码或写 PRD），被淘汰将是必然。

未来的组织将趋向于 「AI 原生组织」：由一群具备端到端解决问题能力的「T 型人才」组成的敏捷团队。员工不再是完成流水线上的一个环节，而是要对最终结果负责。

如何推动转型落地

多数企业 AI 转型失败的原因在于将其视为某些员工的兼职。正确的路径应该是：

1. 明确方向： 选定一个具备高投入产出比的业务切入点。

2. 组建先锋队： 筛选内部最有干劲、最愿意学习 AI 的成员，组建学习型业务组织。

3. 敏捷迭代： 每周产出 MVP（最小可行性产品）进行验证，直到找到可扩展的模式。

4. 由点及面： 当多个项目成功落地并找到共性规律后，再着手建设全公司的 AI 文化与制度流程。

时代的机遇与个人的抉择

前 OpenAI 研究员、CoT（思维链）作者 Jason Wei 在斯坦福大学的演讲（Stanford AI Club: Jason Wei on 3 Key Ideas in AI in 2025）中，就 AI 能力的现状提出了三个核心观点：

• 可验证任务的终将解决：所有具备明确验证机制的任务，最终都将通过 AI 解决（即一切能够构建强化学习奖励函数的场景）。

• 智能的商品化与知识价值归零：随着模型（如 Gemini 3 Pro 等世界知识模型）的普及，通用知识的获取成本将趋近于零，智能将成为一种基础商品。

• 智能的锯齿边缘：AI 的超越并非全方位的瞬间发生，而是呈现不均衡的分布——顶尖模型虽能解决 IMO（国际数学奥林匹克）级别的难题，但在处理基础逻辑（如比较 9.8 与 9.11 的大小）时仍可能失误。

在 AI 时代，获取知识，学习新东西的门槛已大幅降低，面对智能锯齿边缘的存在，我们必须敏锐地捕捉那些对自己真正重要的问题。观察当下的优秀人才，其路径主要分为两类：一是致力于提升基础模型的智能提升；二是灵活驾驭 AI 以杠杆化（Scale）个人的时间和能力，构建“一人公司”，跑通可生存的商业模式，实现个人意志与探索。

AI 时代的真正机遇，始于问题意识，终于自我生活，这里的问题并非他人定义，也非媒体投射，而是经由经验、感受与反思后，内心确认“这就是我想解决的问题”，并利用技术手段将其攻克，这一过程本身即是创造自我生活。

本文首发自个人博客我的 2025 年 AI 行业观察：Agent 架构演进、企业 AI 转型现状与 AI 产品趋势