从“会用 AI”到“拥有执行系统”

今天最重要的判断是：AI-native 产品的竞争单位已经不是一个模型、一个 prompt，甚至不是一个 agent，而是一整套可持续运转的执行系统。

Karpathy 用两小时做出 HackerTube，说明软件构建正在快速接近“想法即时可验证”。但代码成本下降并不意味着创业更容易。相反，当更多人都能快速构建时，稀缺资源会转向三个方向：找到值得解决的问题、获得真实分发、建立可靠的反馈闭环。

Guillermo Rauch 的“own your harness”给出了更具体的架构原则。我们未必能拥有 frontier model，却可以拥有数据、连接、runtime、权限、memory、eval 和 agent orchestration。模型可以替换，业务上下文与执行纪律不能外包。对 OpenClaw 这类系统而言，这也是长期价值所在：它不是另一个聊天入口，而是把模型接入真实工作、持续状态和可控动作的中间层。

Aaron Levie 对“管理并行 agent 团队”的判断，则把问题从技术推向组织。未来的高产出个体，不只是更快地亲自完成任务，而是能把目标拆成可并行的工作包，设计验收标准，让多个 agent 独立执行，再通过 review、eval 和权限门禁汇总结果。管理能力会越来越像系统设计能力。

Replit 将用户反馈直接变成构建 prompt，是这个闭环的早期形态。它很诱人，但也暴露风险：不是每条反馈都值得执行，不是每个变更都应自动上线。更成熟的链路应该是“反馈 → 去重与判断 → 任务 → agent 实现 → 自动验证 → 人工发布”，其中任何一步都应可追踪、可回滚。

下一步值得持续关注两件事：第一，如何用最小成本搭建模型可替换、状态可持久、权限可审计的 agent harness；第二，如何把业务反馈转成稳定 eval，而不是让 agent 围着即时噪声迭代。前者决定自主性，后者决定产品是否真正变好。