软件变成日抛品了
日抛型软件
前几天《晚点聊》放了一期访谈，对象是 MuleRun 的创始人陈宇森，整期都在聊 agent 经济怎么落地。这期对我来说时间点挺微妙的：我前三篇刚写完不到一周，里面那些判断基本还停在纸面推演。他是拿真金白银下场撞过的人，听的时候等于是在对答案。听完收获最大的，是他提了一个我之前隐约有感觉、但没明确说出来的词：「日抛型软件」。这个词一出来，把我前三篇的好几条线都串起来了。
陈宇森说：「其实现在最强的 general agent 是 claude code。」
这个判断我一点都不意外，因为我每天就泡在 claude code 里干活，早就不把它当编程工具用了。hooks 自动捕获学习模式，skills 按需加载 context，agent 团队并行干活。我等于把它当成一个通用操作系统在用，写博客、做研究、管项目，甚至教它自己变得更好，全在里面。
有意思的是他从创业视角得出了同一个结论，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，那在它上面套壳做 coding 产品，就都没有长期护城河。机会在围绕它做生态——skills、runtime 环境、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 各管一摊，协同干活。换到生产力场景，就是一个够强的 base agent，加上足够多的 skills 和 runtime，几乎任何电脑上的任务都能做。伴侣 agent 和干活的 agent 看着是两个世界，但底下要解决的工程问题是同一批：context 管理、工具调用、记忆持久化。
日抛型软件
整期播客里最有冲击力的就是这个概念。他的原话是：「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。」
我只能说这个词起得真的很准。开发效率变高只是表层，往下想一层，值钱的东西本身变了。软件创建了又销毁，agent 对你的理解、它的记忆、人格模型，却是一直在累积的。代码用完就扔没什么可惜的，但认知是攒出来的，扔不掉。
代码在"创建→执行→销毁"的循环里被反复丢弃，认知却一直往上累积
日抛循环：代码 创建→执行→销毁，认知一直在累积
我在第一篇里说记忆编排是技术护城河，说实话当时多少是产品直觉。放进「日抛型软件」这个框架里再看，这个判断就有了更硬的地基：代码变成一次性耗材之后，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出来，但 agent 要理解你做决策时候的犹豫模式、你真正在乎什么、你嘴上说的和心里想的差在哪，得靠三个月的对话慢慢堆。这种认知没法复制，也没法压缩，只能拿时间换。
他踩的坑，跟我纸面推的对了一遍
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。陈宇森讲了三个实际踩过的坑，听下来有对上的，也有没对上的。
- 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出有价值的 agent，门槛太高，供给上不来。我推演的是防守问题，他先碰到的是供给问题。
- 货架模式走不通。MuleRun 从「货架电商」转向了「对话式入口」：用户不该在一堆 agent 货架里自己挑，直接说需求，让平台去匹配，走入口级 agent 的路子。
- 质量控制，这是桩苦活。MuleRun 在做 agent 的 benchmark 和 eval 系统来确保完成率，信誉靠行为驱动，用独立的结果验证去代替五星评分。
有一个点他想得比我深：skills 的安全审计。agent 的 skill 是可能被注入恶意代码的，一个反弹 shell 就能控制用户的电脑。他是长亭科技做安全出身的，对这类问题的敏感度远超常人。我在第三篇里把沙箱列为基础设施的第二层，但他让我意识到，skills 级的安全审计可能要放在沙箱前面。先确保 skill 本身没问题，再谈执行环境的隔离。这是我需要补的一个盲点。
context 窗口里该放什么
context 窗口是最稀缺的资源：记忆编排和 skills 分层加载都在回答窗口里该放什么
他讲 skills 分层加载机制那段，我倒没学到新东西——我自己的 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。但这是我头一回听人在公开场合把这件事讲透。agent 不会一上来把所有 skills 全加载，它先扫元信息，遇到具体问题再去读完整指令。这就是 context engineering：context 窗口就那么大，每个 token 都得精打细算。
我在第一篇里写的记忆编排，其实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，得提取出「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，得判断「此刻我需要哪些能力」。context 窗口是 agent 最稀缺的资源，架构上大部分问题最后都落在这个窗口里该放什么。
记忆编排和 skills 分层加载都在抢答同一个问题——最稀缺的 context 窗口里该放什么
他还提到木遥的《苦涩的教训的边界》，观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，一行代码就能精确回答，犯不着占大模型的推理能力。
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，context 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 一样适用：记住每句话是数据库的活儿，但从里面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。
为一个人服务，账算得过来了
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划得来；AI 把开发成本打到接近零之后，为 10 个人甚至 1 个人的需求定制 agent，账也算得过来。
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。他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。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。底层的推动力是同一个：AI 让「为一个人服务」这件事在经济上可行了。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。
「用心」
播客后半段他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，不是努力也不是聪明，是「用心」——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：能不能造一个「用心」的 AI？我在第一篇里批评过现有 AI 伴侣的通病，换成他的语言就是「不用心」：每个回复都在优化「让你开心」，没真的去理解你需要什么。它们在完成任务，谈不上用心。一个用心的 AI 伴侣得理解问题背后的模式，有时候还得告诉你：你不该这么做。我坚持伴侣系统里必须有一个「判断 agent」，原因就在这儿。一个 AI 要是只会顺着你说好话，那其实是在讨好你，和用心是两回事。
他自己的故事就是个例子。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。
非共识的窗口
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 也在布局。那我自己写的呢？伴侣经济、agent marketplace、数字分身、可穿戴感知层，前三篇写的这些方向，现在还有多少算非共识？只能说趋势比我预想的快：MuleRun 在做 marketplace，Anthropic 自己下场做了 Cowork，字节和 Google 全在跟。
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干活的 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。这件事我觉得一定会发生，问题只是谁先做出来。
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。