北京发布智能体新政，10条措施布局Agent经济 · AI HOT
数字生命卡兹克@Khazix091873
2026-07-23 15:50· 1天前
跳到正文AI 摘要
北京市发布《关于加快智能体引领发展的若干措施》，将Harness Engineering（驾驭层工程）、Token经济、AIP等前沿概念写入正式政策。文件提出提升基础模型“实际任务完成能力”，强化智能体底层技术（上下文管理、长期记忆、多Agent编排），并推动智能体原生应用、终端融合（手机/眼镜/机器人）及“芯模云端用”协同发展。
数字生命卡兹克@Khazix0918 · X 2026-07-23 15:50·1天前
在 X 看原推· x.comAI 摘要北京市发布《关于加快智能体引领发展的若干措施》，将Harness Engineering（驾驭层工程）、Token经济、AIP等前沿概念写入正式政策。文件提出提升基础模型“实际任务完成能力”，强化智能体底层技术（上下文管理、长期记忆、多Agent编排），并推动智能体原生应用、终端融合（手机/眼镜/机器人）及“芯模云端用”协同发展。
现实任务更加复杂，就连最顶级的Claude Fable 5、GPT-5.6 Sol、Kimi K3在我的实际任务开发中，经常都有各种完不成的任务让我暴跳如雷。
所以Agent的实用价值，我一直觉得可以粗略写成一个乘法。
模型能力，乘以长程可靠性，乘以环境可操作性，再乘以结果可验证性。
其中任何一项接近零，最终产生的真实价值都会跟着接近零。
这也是文件为什么把在线学习、持续学习、自主进化、超长程任务、复杂推理与规划、工具调用、长上下文、多智能体协同和记忆，全放在第一条里。
这些词共同指向一种新的模型能力，那就是，可靠的行动能力。
比如METR提出了Task Completion Time Horizon，任务完成时间地平线，直接测Agent能以50%或者80%的成功率，独立完成一项原本需要人类专家工作多长时间的任务。
这就是代码为什么成了Agent最早爆发的领域，原因就在这里。
它高度数字化，Git可以回滚，测试可以验证，所有动作几乎都能留下日志。
所以，未来最有价值的资源之一，会是高质量的任务环境。
谁掌握真实工作流，谁能提供工具、反馈和可验证结果，谁能积累大量成功与失败的执行轨迹，谁就拥有改进Agent最宝贵的资产。
当你开始用任务结果评价模型，你才真正进入Agent时代。
"支持创新主体实施驾驭层工程（Harness Engineering），围绕上下文工程优化、任务持久化、多智能体协作、系统可扩展等夯实智能体共性底座。"
我们都知道，模型提供了潜在能力，能力能不能稳定兑现，取决于模型周围那一整套系统。
比如上下文怎样选择，工具怎么调用，任务怎样拆解，权限怎样控制，状态怎样保存，失败怎样重试，结果由谁验证等等。
如果第一条负责提升Agent的能力上限，第二条解决的就是抬高能力下限。
今年4月的一篇论文《Agentic Harness Engineering》也验证过，保持基础模型不变，只迭代模型外面的工具、中间件、长期记忆和可观测系统。
十轮以后，Terminal-Bench 2的Pass@1从69.7%提高到77.0%。
换到其他模型家族上，依然有5.1到10.1个百分点的提升，消融实验还发现，关键增益更多来自工具、中间件和长期记忆，单纯修改系统Prompt贡献有限。
所以Harness绝对不只是几条Prompt技巧，它是一门真正的系统工程。
我一直觉得，基础模型会越来越集中，企业Harness会越来越分散，每家公司都有自己的数据、流程、权限、规则、术语和异常处理方式，这些才是一家公司真正独有的AI资产。
政策里点到的上下文管理、长期记忆、任务持久化、Agent观测、结果评测、权限控制、可信沙箱、跨模型路由和多Agent编排，全都是新的基础设施。
文件还写到了技能市场、软件商店和AIP等互联标准。
未来很多软件的直接用户，会变成Agent，Agent需要机器可读的能力说明、接口、身份、权限、价格和服务质量。
过去开发者争App Store里的排名，未来还要争一件事，怎样被Agent发现，怎样成为它完成任务时默认调用的Skill。
我更愿意把它理解为，政策正在为Agent之间、Agent与软件之间的大规模互联提前铺路。
"鼓励创新主体基于智能体重构底层架构与交互范式，开发以需求智能为核心驱动的原生AI软件和超级软件。"
原来的软件多一个生成按钮，帮你写段话、画张图、总结一个文件。AI只负责某一个节点，剩下的流程依然由人点击和搬运。
AI能够串起几个连续步骤，在固定工作流里调用不同工具，替人完成一段相对完整的流程。
用户只表达想要的结果，系统自己判断要经过哪些步骤、调用哪些模型和Skill、连接哪些软件、需要谁批准，最后对完整结果负责。
用户操作软件的重心，会从学习功能和寻找按钮，逐渐变成描述目标、确认边界和验收结果。
超级软件的"超级"，未必跟移动互联网一样，来自功能数量更多，它真正强的地方，可能是能够跨过原有软件的边界，统一理解需求，再把分散的能力重新编排起来。
而这次，这份政策里的"需求智能""超级软件""AI OS""技能市场"，其实已经把这条路径连了起来。
用户从人扩展到Agent以后，软件的产品设计、分发方式和商业模式都会跟着变化。
原来靠复杂界面形成的使用壁垒会降低，真正值钱的东西会转向数据、权限、服务质量、可组合能力和结果信誉。
老软件公司手里有客户、数据和系统入口，优势很大，但它们的包袱也很重，既有产品、组织和收费模式都需要调整。
创业公司动作快，可以直接从Agent原生架构开始，可它们必须拿到真实场景、数据和系统权限，光靠一个通用聊天框很难建立壁垒。
FDE会进入客户现场，跟业务人员一起拆流程、接系统、清数据等等，再把每天出现的新问题带回产品里。
这类工作看起来很重，却是行业Agent绕不开的产品化路径。
服务一个客户，沉淀一套轨迹。服务十个客户，找出共性结构。等共性足够稳定，服务才会真正长成产品。
对于想做行业Agent的公司，选场景时我觉得也可以用五个条件判断。
任务频率、人工成本、数字化程度、结果可验证性和错误可撤销性。
五项里占得越多，Agent越容易产生真实ROI，也越适合成为第一批标杆场景。
所以科学、医疗、教育、政务、制造和文化看起来跨度很大，政策选择它们的逻辑却很一致。
这些领域有大量高价值流程，也有大量可以被数字化、验证和持续优化的专业任务。
文件提出，把智能体深度嵌入智能手机、智能眼镜、智能耳机、可穿戴设备、智能机器人和智能汽车，同时推动"芯模云端用五位一体协同发展"。
一个聊天模型生活在对话框里，输入和输出都由人主动提供。
一个真正的终端Agent，需要持续感知环境、理解用户状态、记住长期上下文，在合适的时间作出决定，再通过设备和服务执行动作。
传感器让它感知世界，设备身份和个人数据让它理解我是谁，操作系统、应用与执行器让它有能力改变世界。
模型要和芯片、摄像头、麦克风、传感器、操作系统、电池和具体应用等等共同设计。
端侧负责低延迟感知、身份验证、隐私数据和高频简单任务，云端负责更复杂的规划和推理，设备之间还要共享任务状态，让一个任务可以从耳机开始，在手机上继续，再到汽车或电脑上完成。
这就是文件说，"芯模云端用"为什么必须一起做，非常的有前瞻性。
而且文件还写到，符合条件的新产品可以纳入家电以旧换新、数码和智能产品购新范围。
五. 支持以 OPC（一人公司）为代表的创新创业新模式
"支持以 OPC（一人公司）为代表的创新创业新模式"
OPC最值得看的地方，远远超过一个人也能开公司这句话。
1937年，经济学家科斯解释过一个经典问题，公司为什么会存在。
因为很多事情放在组织内部协调，比每次都去市场上临时寻找、谈判、签约、监督和验收更便宜。
写代码、做设计、整理客户、回复咨询、处理报表等等，这些过去需要不同岗位协作的知识工作，可以被一个人通过多套Agent串起来。
过去一个人只能出售自己的时间，但现在，一个人可以出售自己加上一整套Agent系统的产能。
但AI能放大生产，它不会自动送来客户、信用、现金流、法律责任和最终判断。
这也是为什么政策没有只喊一句鼓励OPC，然后就结束了。
它继续写了弹性算力、专业孵化、创业辅导、科技金融、知识产权、政策咨询、OPC社区、全周期服务站、供需对接和便利化登记。
这些服务合在一起，相当于把过去公司内部的后台能力，搬到社会公共服务层。
所以在我的理解力，OPC社区，它更像一套微型企业操作系统，为个人提供算力、合同、财税、合规等等基础设施。
比如OPC工作台、智能财税、合同审查、自动CRM、Agent项目管理等等等等。
对于个人来说，我觉得像真正抓住OPC机会，需要三种资产。
- 行业判断，你知道什么问题值得解决，也知道结果好坏该怎样判断。
- 是客户与信任，你能找到愿意付钱的人，也能承担交付责任。
- 可复用的Agent系统，你能把一次劳动沉淀成Skill、数据、评测和工作流，下一次用更低成本交付。
先找到一个有人愿意付钱的结果，再证明自己能连续十次稳定交付。
Token其实对所有做AI的人，我相信都是又爱又恨。
要知道，传统SaaS增加一个用户，新增计算成本通常比较稳定。
但，Agent执行的是动态任务，任务长度、上下文大小、推理轮数、工具数量和重试次数都不确定。
你可以花出去20亿Token，什么都没有得到，这太正常了。。。
这也导致，Token可以成为成本计量单位，却很难直接成为衡量价值的统一货币。
它一边提出Token服务质量评估和计费规范，一边鼓励行业建立由智能质量、调用量和转化效率组成的评价体系。
"鼓励创新主体从Token消耗量计费转向价值计费。"
TaaS出售基础Token和推理供给，竞争重点是价格、速度、稳定性和模型质量。
AaaS把模型、工具和Harness封装成一个可以工作的Agent，客户购买的是一项能力。
RaaS直接出售结果，客户关心合同有没有审完、代码有没有修好、线索有没有转化、设备故障有没有提前发现等。
越往上走，离Token越远，离客户价值越近，能够获取的利润空间通常也越大。
供应商要承担任务失败、重复执行、成本波动、质量验收、结果归因和赔偿责任。没有稳定的完成率、明确的评价标准和强大的安全体系，结果计费很容易把公司拖垮。
一次成功任务的真实成本，包含模型推理、工具调用、失败重跑、人工接管、延迟损失和错误风险。
真正应该优化的指标，叫Cost per Successful Task，每个成功任务的成本。
再往上一层，还要算Value per Successful Task，每个成功任务给客户创造了多少价值。
只看每百万Token价格，会让公司不断压低原料成本。盯住每个成功任务的成本和价值，才会逼着公司优化模型路由、上下文长度、缓存、工具设计、验证器和整个Harness。
文件还提出，把符合条件的Token新产品和新服务纳入中小企业服务券范围，并探索Token券和智能体服务券。
Token工厂解决供给，服务券和Token券启动需求，价值计费负责让商业闭环长期跑下去。
我觉得，政策正在尝试建立一套围绕智能生产、智能交易和智能结算的新市场。
它可以改代码、调用支付、控制设备、代表用户联系其他人等等。
目标理解错了，权限越界了，外部内容通过提示词注入操控了它，长期记忆被污染了，多个Agent之间还可能把一个错误快速放大。
更麻烦的是，Agent经常要连接第三方工具和Skill。
任何一个插件、接口或者数据源出现问题，都可能沿着任务链进入核心系统。
所以文件提出的安全措施，已经从内容审核走到了运行时治理。
今年5月，国家网信办等三部门发布的《智能体规范应用与创新发展实施意见》也提出，要划分仅限用户本人决策、需要用户授权决策和智能体自主决策的边界。
哪些动作可以自动执行，哪些动作必须二次确认，哪些数据只能读不能写，哪些权限用一次就收回，哪些结果必须由人承担最终责任。
权限模型和执行边界如果早期没有设计好，后面接入的工具越多，风险债务越大，OpenAI刚刚还爆出了一个很严重的安全事故。
低风险任务可以通过自测、报告和平台管理更快上线。高风险任务使用更严格的检测、权限和人类确认。不同场景采用不同门槛，企业才知道产品做到什么程度可以进入市场。
谁能证明自己的Agent可控、可查、可停，谁才更有机会进入金融、医疗、政务、工业和大型企业的核心流程。
所以Agent安全，在这个时代，绝对也会是一门非常大的生意。
在这条里，文件提出实施银河算廊工程，建设面向智能体高频并发、低延迟需求的新型算力基础设施，推动算力网络与5G-A、6G、F5G融合，同时挖掘存量算力，把小散算力零存整取。
训练大模型更像集中式的大工程，需要大量芯片在一段时间里高强度协同。
它要全天候响应海量任务，有些任务发生在云端，有些发生在工厂、汽车、手机和眼镜上。不同任务对延迟、隐私、成本和模型能力的要求完全不同，而且负载会随着真实业务剧烈波动。
还包括云、边、端的不同芯片，不同大小的模型，不同地区的数据权限，不同网络条件，以及每个任务能够承受的时间和预算。
所以银河算廊的价值，接近于为智能生产建设一套算力物流系统。
这里会出现算力路由、异构调度、边缘推理等大量机会。
文件还提出，支持银行和保险机构开发服务智能体落地的金融产品。
这也很现实。很多Agent公司早期需要持续支付算力和FDE成本，手里最值钱的资产却是代码、数据、合同等等，传统抵押融资很难评价。
特别是Agent时代会多出一类新的核心资产，任务轨迹。
一个目标怎样被拆解，Agent选择了什么工具，环境返回了什么信号，哪一步失败了，人在哪里接管，修改了什么，最后结果有没有成功。
目标、计划、动作、观察、纠错、结果，这一整条链才叫执行数据。
它同时可以用来训练模型、优化Harness、发现安全漏洞和分析业务流程。
只要能把模型能力穿过复杂的组织和系统，变成可以稳定验收的结果的人。
文件提出高水平建设中国与上合组织国家人工智能应用合作中心，研究一国一策的大模型和智能体出海路径，同时建设有全球影响力的开源社区。
在美国模型被疯狂封禁的情况下，我们这边鼓励开源的政策，真的就非常的眉清目秀。
智能体时代，真的格外需要开源和协议，因为Agent天生要连接。
一个新Skill接入以后，不只服务一款产品，所有兼容协议的Agent都可能获得这项能力。
谁的协议和框架被广泛采用，谁就更有机会掌握后面的开发入口、分发规则和生态话语权。
开源项目真正昂贵的部分，经常是长期维护和运营社区，贡献如果能够被正式评价和支持，才有机会让更多开发者长期投入。
智能体产品进入一个国家以后，会接触当地数据、账户、支付、企业系统和现实服务，它必然会比普通内容产品更深地嵌入当地经济，也会面对更复杂的隐私、责任、行业准入和文化问题。
文件提出统筹国家和市区财政资金、政府投资基金、市场化基金，对符合条件的技术攻关、共性平台和示范应用项目给予支持。
这一刻，智能体已经跨出了单一技术产业的范围，开始同时影响科技研发、软件、制造、消费、创业、金融、监管、人才和国际合作。
为智能体新技术、新产品、新服务的宣传推广，做好我的应尽之义务。
以上，差不多就是这份文件大部分跟行业有关的内容了。
聊了这么多宏大的图景，最后还是得落回我们自己身上。
智能体时代，对每个人和每家公司来说，既是巨大的机遇，也是一次非常直接的能力重估。
大多数职业不会在一夜之间消失，更现实的变化，是一个职业会被拆成几十个任务，其中重复、流程化、容易验证的部分，率先被Agent接走。
比如资料搜集、文档整理、初步分析、基础编码、标准化运营，这些过去需要几个人连续忙几天的工作，未来可能被一个人带着一组Agent完成。
只会完成中间步骤、无法判断结果、无法对最终交付负责的人，压力一定会越来越大。
对公司也一样，模型能力上去了，组织能不能给它一套真正可以工作的环境，反而成了更难的问题。
我觉得，机遇恰恰藏在任务重新分配、能力重新定价的过程里。
软件会从功能集合走向任务系统，公司的最小规模会继续缩小，个人能力的上限会被重新计算，商业价值也会从用了多少人、多少小时、多少Token，逐渐走向最终创造了什么结果。
过去，一个普通人想做成一家公司，需要资金、团队和复杂的管理。
现在，一个人带着一套成熟的Agent系统，也有机会从一个很小的真实任务开始，大幅放大自己的能力。
但Agent不会自动带来成功，它只会把一个人的目标、判断、专业和执行系统一起放大。
所以这个时代，最值得做的事，是尽快找到自己真正懂的那段工作，把它交给Agent，反复跑，反复改，直到它能够稳定创造结果。
接下来，希望各位可以跟我一起花一点时间，我们就按照文件原本的10个类别，一条一条来聊。
过去几年，大模型竞争的核心是各种Benchmark。
比如数学多少分，代码多少分，知识多少分，推理多少分。
这些评测当然有价值，它们能告诉我们一个模型在某个能力切片上大概的智力程度怎么样，帮助我们进行量化。
可Agent真正工作时，拿到的往往只有一个模糊目标。
它要补齐信息、拆解计划、调用工具、操作环境、读取反馈、发现错误、修正路线，然后一直做到结果出现。
假设一个Agent连续执行100步，每一步正确率都高达99%，并且先粗暴地把每一步看成独立事件。
它把100步全部做对的概率，只有大约36.6%，哪怕单步正确率达到99.9%，完整跑通100步的概率也只有大约90.5%。
现实任务更加复杂，就连最顶级的Claude Fable 5、GPT-5.6 Sol、Kimi K3在我的实际任务开发中，经常都有各种完不成的任务让我暴跳如雷。
所以Agent的实用价值，我一直觉得可以粗略写成一个乘法。
模型能力，乘以长程可靠性，乘以环境可操作性，再乘以结果可验证性。
其中任何一项接近零，最终产生的真实价值都会跟着接近零。
这也是文件为什么把在线学习、持续学习、自主进化、超长程任务、复杂推理与规划、工具调用、长上下文、多智能体协同和记忆，全放在第一条里。
这些词共同指向一种新的模型能力，那就是，可靠的行动能力。
比如METR提出了Task Completion Time Horizon，任务完成时间地平线，直接测Agent能以50%或者80%的成功率，独立完成一项原本需要人类专家工作多长时间的任务。
这就是代码为什么成了Agent最早爆发的领域，原因就在这里。
它高度数字化，Git可以回滚，测试可以验证，所有动作几乎都能留下日志。
所以，未来最有价值的资源之一，会是高质量的任务环境。
谁掌握真实工作流，谁能提供工具、反馈和可验证结果，谁能积累大量成功与失败的执行轨迹，谁就拥有改进Agent最宝贵的资产。
当你开始用任务结果评价模型，你才真正进入Agent时代。
"支持创新主体实施驾驭层工程（Harness Engineering），围绕上下文工程优化、任务持久化、多智能体协作、系统可扩展等夯实智能体共性底座。"
我们都知道，模型提供了潜在能力，能力能不能稳定兑现，取决于模型周围那一整套系统。
比如上下文怎样选择，工具怎么调用，任务怎样拆解，权限怎样控制，状态怎样保存，失败怎样重试，结果由谁验证等等。
如果第一条负责提升Agent的能力上限，第二条解决的就是抬高能力下限。
今年4月的一篇论文《Agentic Harness Engineering》也验证过，保持基础模型不变，只迭代模型外面的工具、中间件、长期记忆和可观测系统。
十轮以后，Terminal-Bench 2的Pass@1从69.7%提高到77.0%。
换到其他模型家族上，依然有5.1到10.1个百分点的提升，消融实验还发现，关键增益更多来自工具、中间件和长期记忆，单纯修改系统Prompt贡献有限。
所以Harness绝对不只是几条Prompt技巧，它是一门真正的系统工程。
我一直觉得，基础模型会越来越集中，企业Harness会越来越分散，每家公司都有自己的数据、流程、权限、规则、术语和异常处理方式，这些才是一家公司真正独有的AI资产。
政策里点到的上下文管理、长期记忆、任务持久化、Agent观测、结果评测、权限控制、可信沙箱、跨模型路由和多Agent编排，全都是新的基础设施。
文件还写到了技能市场、软件商店和AIP等互联标准。
未来很多软件的直接用户，会变成Agent，Agent需要机器可读的能力说明、接口、身份、权限、价格和服务质量。
过去开发者争App Store里的排名，未来还要争一件事，怎样被Agent发现，怎样成为它完成任务时默认调用的Skill。
我更愿意把它理解为，政策正在为Agent之间、Agent与软件之间的大规模互联提前铺路。
"鼓励创新主体基于智能体重构底层架构与交互范式，开发以需求智能为核心驱动的原生AI软件和超级软件。"
原来的软件多一个生成按钮，帮你写段话、画张图、总结一个文件。AI只负责某一个节点，剩下的流程依然由人点击和搬运。
AI能够串起几个连续步骤，在固定工作流里调用不同工具，替人完成一段相对完整的流程。
用户只表达想要的结果，系统自己判断要经过哪些步骤、调用哪些模型和Skill、连接哪些软件、需要谁批准，最后对完整结果负责。
用户操作软件的重心，会从学习功能和寻找按钮，逐渐变成描述目标、确认边界和验收结果。
超级软件的"超级"，未必跟移动互联网一样，来自功能数量更多，它真正强的地方，可能是能够跨过原有软件的边界，统一理解需求，再把分散的能力重新编排起来。
而这次，这份政策里的"需求智能""超级软件""AI OS""技能市场"，其实已经把这条路径连了起来。
用户从人扩展到Agent以后，软件的产品设计、分发方式和商业模式都会跟着变化。
原来靠复杂界面形成的使用壁垒会降低，真正值钱的东西会转向数据、权限、服务质量、可组合能力和结果信誉。
老软件公司手里有客户、数据和系统入口，优势很大，但它们的包袱也很重，既有产品、组织和收费模式都需要调整。
创业公司动作快，可以直接从Agent原生架构开始，可它们必须拿到真实场景、数据和系统权限，光靠一个通用聊天框很难建立壁垒。
FDE会进入客户现场，跟业务人员一起拆流程、接系统、清数据等等，再把每天出现的新问题带回产品里。
这类工作看起来很重，却是行业Agent绕不开的产品化路径。
服务一个客户，沉淀一套轨迹。服务十个客户，找出共性结构。等共性足够稳定，服务才会真正长成产品。
对于想做行业Agent的公司，选场景时我觉得也可以用五个条件判断。
任务频率、人工成本、数字化程度、结果可验证性和错误可撤销性。
五项里占得越多，Agent越容易产生真实ROI，也越适合成为第一批标杆场景。
所以科学、医疗、教育、政务、制造和文化看起来跨度很大，政策选择它们的逻辑却很一致。
这些领域有大量高价值流程，也有大量可以被数字化、验证和持续优化的专业任务。
文件提出，把智能体深度嵌入智能手机、智能眼镜、智能耳机、可穿戴设备、智能机器人和智能汽车，同时推动"芯模云端用五位一体协同发展"。
一个聊天模型生活在对话框里，输入和输出都由人主动提供。
一个真正的终端Agent，需要持续感知环境、理解用户状态、记住长期上下文，在合适的时间作出决定，再通过设备和服务执行动作。
传感器让它感知世界，设备身份和个人数据让它理解我是谁，操作系统、应用与执行器让它有能力改变世界。
模型要和芯片、摄像头、麦克风、传感器、操作系统、电池和具体应用等等共同设计。
端侧负责低延迟感知、身份验证、隐私数据和高频简单任务，云端负责更复杂的规划和推理，设备之间还要共享任务状态，让一个任务可以从耳机开始，在手机上继续，再到汽车或电脑上完成。
这就是文件说，"芯模云端用"为什么必须一起做，非常的有前瞻性。
而且文件还写到，符合条件的新产品可以纳入家电以旧换新、数码和智能产品购新范围。
五. 支持以 OPC（一人公司）为代表的创新创业新模式
"支持以 OPC（一人公司）为代表的创新创业新模式"
OPC最值得看的地方，远远超过一个人也能开公司这句话。
1937年，经济学家科斯解释过一个经典问题，公司为什么会存在。
因为很多事情放在组织内部协调，比每次都去市场上临时寻找、谈判、签约、监督和验收更便宜。
写代码、做设计、整理客户、回复咨询、处理报表等等，这些过去需要不同岗位协作的知识工作，可以被一个人通过多套Agent串起来。
过去一个人只能出售自己的时间，但现在，一个人可以出售自己加上一整套Agent系统的产能。
但AI能放大生产，它不会自动送来客户、信用、现金流、法律责任和最终判断。
这也是为什么政策没有只喊一句鼓励OPC，然后就结束了。
它继续写了弹性算力、专业孵化、创业辅导、科技金融、知识产权、政策咨询、OPC社区、全周期服务站、供需对接和便利化登记。
这些服务合在一起，相当于把过去公司内部的后台能力，搬到社会公共服务层。
所以在我的理解力，OPC社区，它更像一套微型企业操作系统，为个人提供算力、合同、财税、合规等等基础设施。
比如OPC工作台、智能财税、合同审查、自动CRM、Agent项目管理等等等等。
对于个人来说，我觉得像真正抓住OPC机会，需要三种资产。
- 行业判断，你知道什么问题值得解决，也知道结果好坏该怎样判断。
- 是客户与信任，你能找到愿意付钱的人，也能承担交付责任。
- 可复用的Agent系统，你能把一次劳动沉淀成Skill、数据、评测和工作流，下一次用更低成本交付。
先找到一个有人愿意付钱的结果，再证明自己能连续十次稳定交付。
Token其实对所有做AI的人，我相信都是又爱又恨。
要知道，传统SaaS增加一个用户，新增计算成本通常比较稳定。
但，Agent执行的是动态任务，任务长度、上下文大小、推理轮数、工具数量和重试次数都不确定。
你可以花出去20亿Token，什么都没有得到，这太正常了。。。
这也导致，Token可以成为成本计量单位，却很难直接成为衡量价值的统一货币。
它一边提出Token服务质量评估和计费规范，一边鼓励行业建立由智能质量、调用量和转化效率组成的评价体系。
"鼓励创新主体从Token消耗量计费转向价值计费。"
TaaS出售基础Token和推理供给，竞争重点是价格、速度、稳定性和模型质量。
AaaS把模型、工具和Harness封装成一个可以工作的Agent，客户购买的是一项能力。
RaaS直接出售结果，客户关心合同有没有审完、代码有没有修好、线索有没有转化、设备故障有没有提前发现等。
越往上走，离Token越远，离客户价值越近，能够获取的利润空间通常也越大。
供应商要承担任务失败、重复执行、成本波动、质量验收、结果归因和赔偿责任。没有稳定的完成率、明确的评价标准和强大的安全体系，结果计费很容易把公司拖垮。
一次成功任务的真实成本，包含模型推理、工具调用、失败重跑、人工接管、延迟损失和错误风险。
真正应该优化的指标，叫Cost per Successful Task，每个成功任务的成本。
再往上一层，还要算Value per Successful Task，每个成功任务给客户创造了多少价值。
只看每百万Token价格，会让公司不断压低原料成本。盯住每个成功任务的成本和价值，才会逼着公司优化模型路由、上下文长度、缓存、工具设计、验证器和整个Harness。
文件还提出，把符合条件的Token新产品和新服务纳入中小企业服务券范围，并探索Token券和智能体服务券。
Token工厂解决供给，服务券和Token券启动需求，价值计费负责让商业闭环长期跑下去。
我觉得，政策正在尝试建立一套围绕智能生产、智能交易和智能结算的新市场。
它可以改代码、调用支付、控制设备、代表用户联系其他人等等。
目标理解错了，权限越界了，外部内容通过提示词注入操控了它，长期记忆被污染了，多个Agent之间还可能把一个错误快速放大。
更麻烦的是，Agent经常要连接第三方工具和Skill。
任何一个插件、接口或者数据源出现问题，都可能沿着任务链进入核心系统。
所以文件提出的安全措施，已经从内容审核走到了运行时治理。
今年5月，国家网信办等三部门发布的《智能体规范应用与创新发展实施意见》也提出，要划分仅限用户本人决策、需要用户授权决策和智能体自主决策的边界。
哪些动作可以自动执行，哪些动作必须二次确认，哪些数据只能读不能写，哪些权限用一次就收回，哪些结果必须由人承担最终责任。
权限模型和执行边界如果早期没有设计好，后面接入的工具越多，风险债务越大，OpenAI刚刚还爆出了一个很严重的安全事故。
低风险任务可以通过自测、报告和平台管理更快上线。高风险任务使用更严格的检测、权限和人类确认。不同场景采用不同门槛，企业才知道产品做到什么程度可以进入市场。
谁能证明自己的Agent可控、可查、可停，谁才更有机会进入金融、医疗、政务、工业和大型企业的核心流程。
所以Agent安全，在这个时代，绝对也会是一门非常大的生意。
在这条里，文件提出实施银河算廊工程，建设面向智能体高频并发、低延迟需求的新型算力基础设施，推动算力网络与5G-A、6G、F5G融合，同时挖掘存量算力，把小散算力零存整取。
训练大模型更像集中式的大工程，需要大量芯片在一段时间里高强度协同。
它要全天候响应海量任务，有些任务发生在云端，有些发生在工厂、汽车、手机和眼镜上。不同任务对延迟、隐私、成本和模型能力的要求完全不同，而且负载会随着真实业务剧烈波动。
还包括云、边、端的不同芯片，不同大小的模型，不同地区的数据权限，不同网络条件，以及每个任务能够承受的时间和预算。
所以银河算廊的价值，接近于为智能生产建设一套算力物流系统。
这里会出现算力路由、异构调度、边缘推理等大量机会。
文件还提出，支持银行和保险机构开发服务智能体落地的金融产品。
这也很现实。很多Agent公司早期需要持续支付算力和FDE成本，手里最值钱的资产却是代码、数据、合同等等，传统抵押融资很难评价。
特别是Agent时代会多出一类新的核心资产，任务轨迹。
一个目标怎样被拆解，Agent选择了什么工具，环境返回了什么信号，哪一步失败了，人在哪里接管，修改了什么，最后结果有没有成功。
目标、计划、动作、观察、纠错、结果，这一整条链才叫执行数据。
它同时可以用来训练模型、优化Harness、发现安全漏洞和分析业务流程。
只要能把模型能力穿过复杂的组织和系统，变成可以稳定验收的结果的人。
文件提出高水平建设中国与上合组织国家人工智能应用合作中心，研究一国一策的大模型和智能体出海路径，同时建设有全球影响力的开源社区。
在美国模型被疯狂封禁的情况下，我们这边鼓励开源的政策，真的就非常的眉清目秀。
智能体时代，真的格外需要开源和协议，因为Agent天生要连接。
一个新Skill接入以后，不只服务一款产品，所有兼容协议的Agent都可能获得这项能力。
谁的协议和框架被广泛采用，谁就更有机会掌握后面的开发入口、分发规则和生态话语权。
开源项目真正昂贵的部分，经常是长期维护和运营社区，贡献如果能够被正式评价和支持，才有机会让更多开发者长期投入。
智能体产品进入一个国家以后，会接触当地数据、账户、支付、企业系统和现实服务，它必然会比普通内容产品更深地嵌入当地经济，也会面对更复杂的隐私、责任、行业准入和文化问题。
文件提出统筹国家和市区财政资金、政府投资基金、市场化基金，对符合条件的技术攻关、共性平台和示范应用项目给予支持。
这一刻，智能体已经跨出了单一技术产业的范围，开始同时影响科技研发、软件、制造、消费、创业、金融、监管、人才和国际合作。
为智能体新技术、新产品、新服务的宣传推广，做好我的应尽之义务。
以上，差不多就是这份文件大部分跟行业有关的内容了。
聊了这么多宏大的图景，最后还是得落回我们自己身上。
智能体时代，对每个人和每家公司来说，既是巨大的机遇，也是一次非常直接的能力重估。
大多数职业不会在一夜之间消失，更现实的变化，是一个职业会被拆成几十个任务，其中重复、流程化、容易验证的部分，率先被Agent接走。
比如资料搜集、文档整理、初步分析、基础编码、标准化运营，这些过去需要几个人连续忙几天的工作，未来可能被一个人带着一组Agent完成。
只会完成中间步骤、无法判断结果、无法对最终交付负责的人，压力一定会越来越大。
对公司也一样，模型能力上去了，组织能不能给它一套真正可以工作的环境，反而成了更难的问题。
我觉得，机遇恰恰藏在任务重新分配、能力重新定价的过程里。
软件会从功能集合走向任务系统，公司的最小规模会继续缩小，个人能力的上限会被重新计算，商业价值也会从用了多少人、多少小时、多少Token，逐渐走向最终创造了什么结果。
过去，一个普通人想做成一家公司，需要资金、团队和复杂的管理。
现在，一个人带着一套成熟的Agent系统，也有机会从一个很小的真实任务开始，大幅放大自己的能力。
但Agent不会自动带来成功，它只会把一个人的目标、判断、专业和执行系统一起放大。
所以这个时代，最值得做的事，是尽快找到自己真正懂的那段工作，把它交给Agent，反复跑，反复改，直到它能够稳定创造结果。