软件变成日抛品了
代码生灭如流星，认知永恒如地层——日抛型软件的本质
《晚点聊》前几天放出一期访谈，对象是 MuleRun 创始人陈宇森，一整期都在聊 Agent 经济怎么落地。那时候我的前三篇刚写完不到一周，里面那些判断多半还停留在纸面推演，他是拿真金白银去撞过的人。听完收获最大的，是他提了一个我之前没明确说出来的概念："日抛型软件"。这个词把前三篇的好几条线串了起来。
陈宇森说："其实现在最强的 General Agent 是 Claude Code。"
我每天都在 Claude Code 里工作，这个判断我一点也不意外：早就把它当成远超编程工具的东西在用了。从 Hooks 自动捕获学习模式，到 Skills 按需加载上下文，再到 Agent 团队并行干活，我等于把 Claude Code 当成了通用操作系统，用它写博客、做研究、管理项目，甚至教它自己变得更好。
陈宇森从创业视角得出同样的结论，而且推到了商业逻辑的终点：既然 Claude Code 已经是最强的通用 Agent，在它上面套壳的 Coding 产品就都没有长期护城河，机会在于围绕它构建生态，做 Skills、Runtime 环境和交易市场。
这套架构我在第一篇里从伴侣产品的方向推过一遍：记忆 Agent、情绪 Agent、判断 Agent 各司其职，像器官一样协同。换到生产力场景，一个强大的 Base Agent 加上丰富的 Skills 和 Runtime，就能完成几乎任何电脑任务。面向情感的伴侣 Agent 和面向生产力的工作 Agent，要解决的工程问题是同一批：上下文管理、工具调用、记忆持久化。
"日抛型软件"是整期播客里最有冲击力的概念。陈宇森的原话："软件未来其实是日抛型的。代码只是为了执行特定目的而完成。它会被精确地创建、执行、完成、销毁。"
这不只是开发效率的问题，它从根本上重新定义了什么东西有价值。软件创建了又销毁，Agent 的记忆、人格模型、对你的理解却在持续累积。代码是执行层，Agent 是认知层；执行层可以日抛，认知层抛不掉。
我在第一篇里说记忆编排是技术护城河，当时多少带点产品直觉。放进"日抛型软件"的框架里，这个判断有了更硬的地基：当代码变成一次性耗材，对用户的理解就是唯一不可替代的资产。一段代码几秒钟就能生成，Agent 却要花三个月的对话，才能理解你做决策时的犹豫模式、真正在乎什么、嘴上说的和心里想的差在哪。这种认知复制不了，也压缩不了，只能靠时间一点点堆出来。
听陈宇森讲 MuleRun 的实战，像在看一组对照实验。我在第三篇里分析过 Agent Marketplace 的四个难题：重分发、身份验证、信誉系统、对抗性攻击。他讲了三个实际踩过的坑。
第一个坑是供给稀缺。我当时担心的是 Agent 技能被重分发的风险，现实里问题出在更前面：根本没有足够多的人能创建有价值的 Agent，门槛太高，供给上不来。
第二个坑是货架模式走不通。MuleRun 从"货架电商"转向了"对话式入口"：用户不该在琳琅满目的 Agent 货架上迷路，直接说出需求，让平台去匹配，走入口级 Agent 的路子。
第三个坑是质量控制，这是桩苦活。MuleRun 在做 Agent 的 Benchmark 和 Evaluation 系统来确保完成率，信誉靠行为驱动，用独立的结果验证代替五星评分。
有一个点他比我想得深：Skills 安全审计。Agent Skills 可能被注入恶意代码，一个反弹 Shell 就能控制用户的电脑。他在长亭科技做安全出身，对这类问题的敏感度远超常人。我在第三篇把沙箱列为基础设施的第二层，但他让我意识到，Skills 级的安全审计可能比沙箱更前置：先确保 Skill 本身没问题，再谈执行环境的隔离。这是我需要补上的盲点。
听他讲 Skills 分层加载机制，我没学到新东西，倒是头一回听人在公开场合把这件事讲透。我的 Claude Code 配置里有几十个自定义 Skills，从代码审查到数据库优化到 Go 语言规范，每个都是精心设计的上下文包。Agent 不会一上来就把它们全部加载，而是先扫描元信息，遇到具体问题再深入读取完整指令。这就是 Context Engineering：在有限的上下文窗口里，精打细算每一个 Token。
我在第一篇里写的记忆编排，是同一道题的另一面。记忆编排解决的是 Agent 记不住所有对话，需要提取"你这个人是什么样的"；Skills 分层加载解决的是 Agent 没法同时掌握所有知识，需要判断"此刻我需要哪些能力"。上下文窗口是 Agent 最稀缺的资源，所有 Agent 架构问题，归根结底都在回答这个窗口里该放什么。
陈宇森还提到木遥的《苦涩的教训的边界》，论点是很多事不该让大模型直接做，交给代码更合适；大模型负责判断用什么工具解决什么问题，硬算的活儿留给代码。比较 9.11 和 9.20 哪个大，代码一行就能精确回答，犯不着占用大模型的推理能力。
我自己的 Hooks 系统就是这套哲学的实践：类型检查交给 tsc，学习模式捕获交给脚本，上下文预算交给自动化，大模型只管思考和判断。这套分工对伴侣 Agent 同样适用：记住每句话是数据库的活儿，从中看出"你为什么反复提到那个同事"、"最近语气变化意味着什么"，这种判断才轮得到大模型来做。
陈宇森的同事打了个比方，我很有共鸣：Agent 之于软件，就像 3D 打印之于工业制造。过去软件开发成本高，必须服务上千人的共同需求才能证明投入合理；AI 把开发成本降到接近零，为 10 个人甚至 1 个人的需求定制 Agent 也划得来。
我在第二篇里写过"让每个人享有总裁级待遇"：真正理解你的私人教练和顾问，不该只属于 CEO。陈宇森讲的是生产力那一边：量身定制的软件工具，不该只属于养得起开发团队的公司。AI 把个性化从奢侈品做成了基础设施。伴侣经济和 Agent 经济是同一场革命的两个面，一个面向情感，一个面向生产力，底层推动力都一样：AI 让"为一个人服务"变得经济可行。盘盘猫就是这个判断的实践，一个人 29 天构建的产品，服务长尾得不能再长尾的需求。
播客后半段，陈宇森讲了自己的创业起伏：22 岁创办长亭科技，一路上坡；后来同时做游戏公司和安全公司，中度焦虑、严重失眠、彻底的自我怀疑都经历了一遍。他总结创业最重要的两个字是"用心"。不是"努力"，不是"聪明"，是"用心"。用心意味着不机械执行，在每个细节上琢磨怎么做到不一样。第一次创业他太用心了；第二次有了骄傲和傲慢，不够用心，就失败了。
这个词把我拉回这个系列一直在问的问题：能造一个"用心"的 AI 吗？我在第一篇里批评过现有 AI 伴侣的通病，换成陈宇森的语言就是"不用心"：每个回复都在优化"让你开心"，没真的理解你需要什么。它们在完成任务，谈不上用心。一个用心的 AI 伴侣不只回答问题，还得理解问题背后的模式；不只执行指令，有时候得告诉你：你不该这么做。我坚持伴侣系统里要有一个"判断 Agent"，原因就在这儿。一个只会说好话的 AI 不是用心，是讨好。
陈宇森的创业故事本身就是个例子。低谷的时候，朋友没说那些千篇一律的安慰话，说的是"我们去网吧打两天游戏吧"。知道对方此刻需要什么，这种理解恰恰是我想让 AI 伴侣学会的东西。
播客里他还说了句很实在的话："创业的机会核心是在非共识变成共识之前你把它干出来。"
"Claude Code 是最强通用 Agent"这个判断，几个月前还是非共识，现在快变成共识了：Anthropic 出了 Cowork，字节做了 AnyGen，Google 在布局，窗口正在关闭。伴侣经济、Agent Marketplace、数字分身、可穿戴感知层，前三篇写过的这些方向，现在还有多少算非共识？趋势在加速，MuleRun 在做 Marketplace，Anthropic 自己下场做了 Cowork，字节和 Google 全在跟进。
等"用 Agent 造 Agent"变成共识、"日抛型软件"变成常态、每个人都能定制自己的工作 Agent，伴侣 Agent 就是顺理成章的下一步：人们已经有了帮自己干活的 Agent，接下来自然会想要一个理解自己的 Agent。这件事会发生，悬念只剩谁先做出来。
下一篇聊个更实际的问题：Agent 能力到了，可 99.99% 的人连门在哪儿都不知道。最后一公里才是主战场。