信号
AI 行业过去两年的主线，是模型能力竞争。
谁的模型更强，谁的上下文更长，谁的推理更好，谁的价格更低。
但 Perplexity 创始人 Aravind Srinivas 在 20VC 访谈里，给出了一个更重要的判断：模型已经不再是 AI 产品的全部，真正的竞争正在转向 Agent 编排层。
也就是说，未来不是谁单独拥有一个最强模型就能赢，而是谁能把模型、工具、上下文、权限、设备、算力和工作流，编排成一个真正能完成任务的系统。
这也是 AI 产品从 Chat 走向 Agent 的关键转折。
一、答案引擎只是入口，Agent 才是终局
Perplexity 最早做的是 Answer Engine，也就是比传统搜索更直接地回答问题，并且给出引用来源、追问和上下文。
这件事确实影响了 Google。Google 后来的 AI Mode，在体验上明显吸收了 Perplexity 的很多设计。
但 Aravind 的判断很清醒：回答问题本身已经不是终局。
用户最初愿意为“更好的答案”付费，但下一阶段，用户真正愿意付费的是：
不是“告诉我怎么做”，而是“直接帮我做完”。
比如 deep research、coding、computer use、浏览器 Agent、企业流程 Agent、自动监控、自动分析、自动复盘。
这意味着，AI 产品正在从“回答系统”变成“执行系统”。
二、模型不是产品，Harness 才是产品
这期访谈里最重要的一句话是：
Model is no longer the product.
模型不再是产品本身。
真正的产品，是把模型放进一个可运行、可调用、可控制、可评估的工作系统里。
Aravind 提到的 Agent Harness，本质上就是一套 Agent 执行框架。它决定：
- 模型什么时候思考；
- 什么时候调用工具；
- 什么时候访问文件；
- 什么时候启动子 Agent；
- 什么时候使用连接器；
- 什么时候交给人类确认；
- 什么时候结束任务。
所以，Codex、Claude Code、Perplexity Computer 这类产品，本质上都不是单纯的模型产品，而是 Model + Tools + Context + Workflow + Permission + Evaluation 的组合。
这也是未来 AI 产品真正的价值层。
只做模型转发，价值会越来越薄；只卖 token，毛利会越来越低。真正有长期价值的，是能把 token 转成结果的编排系统。
三、AI 产品的新指标：Token Value Per Watt Per User
Aravind 提出了一个非常值得关注的新指标：
Token Value Per Watt Per User
也就是：每个用户、每一瓦电力，能够产生多少有效 token 价值。
这句话背后，其实是 AI 商业模式的底层变化。
过去大家关注的是模型能力和 token 数量。
但未来真正重要的是：
- 同样一次任务，谁消耗更少 token？
- 谁调用更少算力？
- 谁产生更高质量结果？
- 谁能把低价值 token 减少掉？
- 谁能让每一次推理更接近业务价值？
AI 公司不能只追求“输出更多”，而要追求“更少成本产生更高结果”。
这就是为什么模型路由、成本控制、上下文命中率、工具调用效率、任务评估体系，都会变成 AI 产品的核心能力。
四、24/7 Agent 的难点不是智能，而是成本、隐私和编排
很多人都在想象未来会有一个 24 小时工作的 AI Agent。
它可以监控邮件、跟踪项目、分析数据、发现异常、提醒团队、自动处理任务。
但 Aravind 指出，问题不只是模型够不够聪明，而是：
如果所有任务都跑在云端 frontier model 上，成本会非常高；
如果所有任务都跑在本地模型上，能力又可能不够；
如果所有上下文都上传云端，隐私和企业安全会成为问题。
所以未来真正可行的方案，不是单点模型，而是混合编排：
- 本地模型负责低成本、隐私敏感、轻量任务；
- 云端大模型负责复杂推理和高价值任务；
- 工具系统负责执行；
- 上下文系统负责记忆和状态；
- 路由系统负责判断什么时候用什么能力。
这就是 Agent Orchestrator 的价值。
未来的竞争，不是“我有一个模型”，而是“我能调度一组能力”。
五、AI 最大瓶颈会越来越物理化
这次访谈还有一个很重要的转向：AI 竞争不只是软件竞争，也会越来越变成物理基础设施竞争。
很多人以为 AI 数据中心就是买 GPU。
但实际远不止如此。你还需要：
- 电力；
- 土地；
- 许可；
- 冷却；
- HBM；
- CPU；
- 存储；
- 网络；
- 供应链；
- 建设速度。
Aravind 认为，未来 AI 的瓶颈会越来越从“模型算法”扩展到“物理基础设施”。
这也是他为什么特别看好 Micron、AMD、Intel 这类公司。
逻辑很简单：谁掌握 AI stack 里的稀缺瓶颈，谁就拥有定价权。
过去瓶颈可能是 GPU。
下一阶段，瓶颈可能是 HBM、内存带宽、CPU、电力、数据中心建设能力，甚至是能源许可。
AI 看起来是数字产业，但越往后，越会回到物理世界。
六、模型路由有价值，但不是终局
访谈里也谈到 OpenRouter 这类模型路由产品。
Aravind 的观点很清楚：模型路由有价值，但单独做路由，很难成为最终的大生意。
因为路由本身不是结果。
用户真正要的不是“帮我选择一个模型”，而是“帮我完成一个任务”。
所以，Router 的价值必须绑定到具体场景里：
- 任务质量；
- 稳定性；
- SLA；
- 成本控制；
- 失败重试；
- fallback；
- 模型评估；
- 结果交付。
这对所有 AI Router 产品都有启发：
路由不是目的，路由是 Agent 执行系统的一部分。
如果没有上层场景，路由只是 token 分发；如果绑定工作流和结果，路由才会变成基础设施。
七、未来 AI 公司会更小，但能做更大的事
Aravind 对 AI 创业的判断非常乐观。
他认为，未来公司不一定需要几千、几万人才能做出大产品。AI 会让小团队拥有过去大公司才有的执行力。
一个 20 人、40 人、100 人的团队，未来可能完成过去几百人、几千人才做得出来的事情。
这也是 AI-native 公司的真正变化：
不是简单降本增效，而是组织能力被重写。
过去公司靠人力堆流程。
未来公司靠 Agent 编排能力放大人。
真正重要的不是拥有多少员工，而是拥有多少可调度的智能工作流。
ReelOS.ai 的判断
这期访谈给了一个非常清晰的信号：
AI 时代，模型不是终局，Agent 也不是终局。真正的终局，是一个能持续调度模型、工具、上下文、工作流和算力的操作系统。
这也是 ReelOS.ai 持续关注的方向。
未来真正有价值的 AI 产品，不会只是一个聊天框，也不会只是一个模型入口，而会具备这些能力：
- Context Pack：把用户和组织的上下文结构化；
- Agent Harness：让 Agent 可控、可执行、可复盘；
- Skill System：把一次性经验沉淀成可复用能力；
- Router：在成本、质量和稳定性之间动态选择模型；
- Workspace：让人和 Agent 在同一个工作区协作；
- Eval：持续评估结果是否可靠；
- Cost Control：让 AI 能力具备经济可持续性。
换句话说，AI 的下一层竞争，不是“谁更聪明”，而是：
谁更会组织智能。
一句话总结
过去的软件时代，核心能力是写代码。
AI 时代，核心能力会变成编排智能。
谁能把模型、工具、上下文、工作流和成本控制组织起来，谁就能把 AI 从“会聊天的工具”，变成“能持续工作的系统”。
这才是 Agent 真正的未来。