AI 的最后一公里不是技术问题
先退一步看看我们到底在什么阶段。
AI 使用率可视化——每个小方块代表约 320 万人
全世界 84% 的人从来没有和 AI 对过一次话。只有 16% 用过免费的聊天机器人。大约 0.3% 每月为 AI 付费。使用编程 Agent 的人？大概 0.04%——图上几乎看不见的那一个红点。（数据来源：Noah Epstein）
想想 iPhone 刚问世的时候——大多数人还在用诺基亚，没人知道移动互联网会怎么改变世界。
我们还没走到 AI 的中期。连中期的开头都没到。才刚起步。
这就是那个周末，一个从北京来西雅图的朋友走进的世界。
一个周末的碰撞
老朋友从北京来西雅图出差。除了叙旧，他有一个明确的目的：想学怎么用 AI Agent 提高效率。
他是我大学时期最好的朋友之一，做金融的——看各种 deal、写投资研报。大学时选过几节 CS 入门课，但那已经是八年前的事了，早还给老师了。
他很聪明，学东西快。更关键的是——他有强烈的动机。我平时经常和他分享我用 AI Agent 的各种 use case，他亲眼看到这些东西的潜力，知道自己不能再等了。
于是我们花了一个周末做了一件事：我手把手教他用 Claude Code。
从零开始：在 GCP 上部署他自己的 OpenClaw 实例，接入飞书，配置 tunnel，然后用 Claude Code 做了一系列他真正需要的事——财务分析、数据整理、甚至给他的业务场景搭了一个定制化的小工具。
这个周末让我看到了三件事。每一件都比我之前的理论思考更直接、更真实。
那道看不见的墙
上一篇我写到 Agent Marketplace 的"对话式入口"——用户不该在货架上挑选 Agent，而是直接说出需求让平台匹配。听起来很美。
但现实是：在我朋友能"对话"之前，他得先跨过一道巨大的门槛。
GCP 账号注册、gcloud CLI 安装、服务器配置、框架部署、飞书集成、tunnel 转发……
每一步对我来说都是几分钟的事，但对他来说都是"这是什么？为什么要这样？"的连环问号。不是因为他笨——是因为这些东西对非技术人员来说根本不在认知范围内。
有意思的是，一旦环境搭好，Claude Code 几乎可以处理后面的所有事情。帮他写脚本、读文档、调试错误、部署服务。
问题不在 Agent 本身——Agent 已经足够强了。
问题在于从"我想要一个 Agent"到"我有一个能用的 Agent"之间的那段距离。
这就是 Agent 革命的"最后一公里"。
物流行业有一个经典概念：最后一公里是整个配送链中成本最高、效率最低的环节。仓库到城市很快，城市到小区很快，但从小区门口到你家门口——这最后几百米，吃掉了整个链条中不成比例的资源。
Agent 领域完全一样。
大模型的能力到了。Claude Code 够强。Skills 生态在形成。但从普通用户到能用上这些东西之间的那段路，几乎是空白的。
每个人都在讨论 Agent 能做什么。很少有人在解决普通人怎么用上 Agent。
其实有一些产品在一定程度上解决了入口问题。就拿我自己的例子——我用同一个框架在 GCP 上给盘盘猫搭了一个全自动的 AI 工程师，接入了飞书群。团队成员不需要提交 bug 报告或 feature request，直接在飞书群里和 Agent 对话。Agent 自动验证、分类问题，创建 GitHub Issue，生成任务追踪；简单的 bug 直接提交修复 PR；复杂的需求会在 GitHub Issue 里生成详细报告——包含上下文、分析和建议。
这极大地解放了我：不再需要一个个跟团队收集信息，我只需要思考和做决定。
对团队成员来说，用 Agent 就像在飞书里找一个同事聊天一样简单。入口问题确实解决了。
但问题是——搭建这个体验的人是我，一个每天在 Claude Code 里工作的工程师。
普通用户没有能力、没有意愿、也没有认知去完成这个搭建过程。 他们甚至不知道这种体验是可能的。
所以"最后一公里"的本质不是"Agent 不好用"——而是"必须有人替你铺好那段路"。
目前，这个铺路人只能是技术人员。而绝大多数人身边，没有一个愿意花时间帮他们铺路的技术人员。
Anthropic 也看到了这个问题。Boris Cherny——Claude Code 的创造者——在最近的访谈里提到：在 Anthropic 内部，设计师、数据科学家、甚至财务团队都在"跳过重重障碍"去安装终端里的 Claude Code。非工程师的员工自己搞定了 Node.js 安装和终端命令——只为能用上 Agent 级别的能力。
外部用户也一样：有人用它监控番茄苗的生长，有人用它从损坏的硬盘里恢复婚礼照片，有人用它做财务分析。
需求是明确无误的——但门槛也是荒谬的。一个终端命令行工具，不应该是"想用 AI 交停车罚款"的人的入口。
于是 Anthropic 造了 Cowork：把 Claude Code 包进一个易用的桌面界面，运行在虚拟机里，加了删除保护和权限提示。四个工程师用十天做出来，代码完全由 Claude Code 自己写的。
Cowork 是第一个认真尝试在规模上铺设"最后一公里"的产品。拥有 Claude Code 完整的 Agent 能力，但去掉了终端门槛。Anthropic 的销售团队已经开始从 Claude Code 迁移到 Cowork——"因为更容易上手，而且有虚拟机所以更安全一点，"Boris 说。
这没有解决全部问题——用户仍然需要学会怎么下好指令、怎么用目标而不是步骤来思考。但它移除了最残酷的那道门槛：你不再需要是个工程师才能开始。
99.99% 的人不知道什么是可能的
我朋友用过 ChatGPT，用过豆包，用过各种聊天机器人。他对 AI 的认知和大多数人一样：一个比搜索引擎聪明一点的问答工具。
这大概是 99.99% 的人的理解。
他比大多数人多一个条件——我平时会和他分享 AI Agent 的真实使用场景，他知道"应该很厉害"。但知道和亲眼看到是两回事。
那个周末我们做了三件事。
Claude Code 读取他的财务数据，建模，生成分析报告，根据反馈迭代——不是回答关于财务的问题，是真正在做财务分析。
然后我们从零做了一个用声音音调控制的 Flappy Bird——一个多小时，从零到能玩，两个成年人对着电脑嚎叫，试图控制那只鸟不撞管子。
最后 Claude Code 帮他搭了一个完全针对他业务场景的定制工具——不是通用软件的配置，是一个只为他的需求而存在的应用。
三件事做完，他说了一句话：
"一个小时前，这些东西都不存在。"
这验证了我在上一篇里写的"日抛型软件"判断：为一个人定制软件，技术上已经完全可行。
但 99.99% 的人根本不知道可以提这个需求。
他们从来没见过 Agent 级别的能力。他们用的是免费版的、限速的模型。他们对 AI 的全部印象就是一个偶尔能给出有用答案的聊天框。
这不是技术问题。这是认知问题。
人们不知道什么是可能的。不知道什么是可能的时候，你甚至不会去想要它。
你不会要求你不知道存在的东西。
Boris Cherny 有一个产品术语形容这件事：潜在需求（latent demand）。"人只会做他们已经在做的事。你不可能让人去做一件全新的事。如果人们在试图做一件事，而你让它变得更容易——这是好主意。但如果你试图让他们做一件不同的事，他们不会做的。"
我朋友不是没有需求——他已经在做财务分析了，在写报告了，在做投资决策了。需求一直都在。
他缺的是"AI 能让这些事快十倍"的认知。
一旦他亲眼看到——Claude Code 在他自己的数据上运行的那一刻——潜在需求瞬间变成了显性需求。
差距不在动机，在曝光。
最后一公里问题，本质上是一个潜在需求问题。需求存在——数十亿信息工作者的工作都可以被 Agent 改变。但他们不知道供给存在。
你不会要求你从未见过的东西。
那潜在需求长什么样？这是 Boris 在访谈中提到的真实场景——全都不是编程：
你每天都在做的重复工作。 交停车罚款、取消订阅服务、汇总团队周报。每个人都有但没人想做的事。
数据分析和研究。 不是"帮我回答这个数据问题"——而是"这是我的数据库，帮我探索数据，找有意思的规律，写成报告"。Agent 自己决定跑什么查询、怎么呈现。
为你的具体场景定制工具。 第四篇讲的"日抛型软件"——不需要在市面上找一个"差不多能用"的通用产品，直接描述需求，让 Agent 给你做一个只为你服务的工具。
学任何你想学的东西。 不是搜索引擎式的"X 是什么"——而是"我想理解 X，我的背景是 Y，用我能理解的方式解释，给我一个实际的例子，然后陪我一步步深入"。Agent 根据你的知识水平调整解释深度，像一个有无限耐心的私人导师。
需求无处不在。能力已经到了。
但最大的瓶颈已经不是工具有多强——而是你能不能给 Agent 布置一个合理的任务。
想象你雇了一个软件工程师，跟他说："给我弄个 XX 软件。"他能在一个晚上弄好吗？人能弄好，AI 大概率也能；人弄不好，AI 大概率也弄不好。
"给我弄一个像微信一样的即时通讯软件"——太模糊了，人也做不好。服务多少用户？"像微信"是指像微信这么难用，还是指支持语音输入？要不要有朋友圈？
但如果你说："我有一个公司的中文网站，保持视觉风格不变，把所有内容翻译成英文，做一个一模一样的网站出来"——有明确验收标准的需求，它就可以做得很好。
不论是人还是 AI，指望说一两句话就读心术般完美交付，这个期待本身就不切实际。
用 AI 最大的瓶颈，不是工具有多 powerful，而是我们能不能像一个好的管理者一样，给它布置任务。第六篇会展开聊这个。