过去几年我们在谈 AI Agent、Harness、Tool、Skill 的时候往往习惯从一个非常工程化的角度理解它们模型负责思考Tool 负责执行Skill 封装某种能力Harness 决定模型在什么环境中运行。于是一个 Agent 是否“强大”很容易被转化成一个特别直观的问题它到底装了多少插件它能搜索吗能操作浏览器吗能写代码吗能处理表格吗能发邮件吗能调用多少个第三方服务在这个思路下面插件市场天然就会越来越像一个巨大的工具箱里面塞着成百上千把不同形状的扳手而模型站在工具箱前面每遇到一个任务就判断今天应该拿哪一把。可如果我们把目光从“AI会什么”稍微往上移一层就会发现也许真正值得讨论的问题从来都不是一个 Agent 到底拥有多少工具而是这些工具为什么要彼此建立关系这也是这些年做一念成仙以后我越来越强烈的一种感受。很多人第一次接触一念成仙会把它理解成一个“文字交互娱乐机器人”。这个理解当然不能说错因为从用户看到的最外层界面来说它确实运行在 QQ 群里没有传统意义上的客户端没有一张始终显示在屏幕上的三维地图用户绝大多数时候只是输入一句文本然后得到一句文本、一个图片或者一个状态结果。但如果沿着系统的实现继续向下拆就会发现它其实早已经不太像人们通常理解的形态了。更加准确地说它逐渐形成的是一种多用户、多 Agent、共享世界状态、由大量能力模块共同维持运行的大型机器人系统形态。这里所说的“世界模型”并不是机器学习论文里那个严格定义的 World Model而是一种产品和系统架构意义上的世界模型这个系统里存在持续存在的人存在位置存在关系存在资产存在时间存在权限存在事件也存在过去发生过什么、现在正在发生什么、下一步允许发生什么。一个用户从地图上的某个地点移动到另一个地点这件事情并不是一次孤立的 Tool Call当他走进另一个人的仙居位置状态会成为社交系统的上下文当两个人发生进一步互动关系系统会读取双方身份当他们结为师徒这个变化又会进入关系表、头衔系统、奖励系统甚至影响后面其他完全没有直接参与本次交互的功能。所以从这个角度看一念成仙真正特殊的地方并不是“插件很多”而是这些插件生活在同一个世界里。插件不应该彼此认识但它们应该认识同一个世界。这是我现在越来越认同的一种插件设计思想。好的插件体系并不意味着 A 插件必须在代码里写死 B 插件B 再写死 C 插件把整个系统做成一团无法拆开的强耦合结构。恰恰相反真正成熟的系统应该在实现层面尽可能解耦但在状态、对象、权限、事件和语义层面高度统一。地图模块不需要知道师徒模块内部是怎么写的师徒模块也不必知道排行榜如何计算它们只需要接受同一套关于“用户”“地点”“关系”“时间”和“事件”的定义。当一个用户完成移动系统产生一个合法的位置变化当用户进入仙居产生新的场景上下文当关系发生变化再由所有关心这种变化的模块按照统一规则进行响应。这时候插件之间真正连接起来的不再是函数调用而是共同存在于同一个状态空间之中。我觉得这可能正是今天很多 Agent 系统还没有真正跨过去的一层抽象。现在我们看很多 Skill 市场会发现一个非常有意思的现象Skill 可以越来越多但是用户真正高频使用的往往始终只有几个。搜索、网页、代码、文档也许再加上一两个和自己工作高度相关的服务剩下的几百个插件虽然都存在却很少自然地进入用户的日常工作。原因未必是那些插件没有价值而可能是因为它们从设计之初就是“终点型工具”。调用天气得到天气调用翻译得到翻译处理 PDF得到结果生成一张图交互结束。每一个插件都在独立争夺一次用户需求所以最后自然形成一个明显的头部效应少数高频 Skill 占据绝大多数调用量大量功能则沉到底部长尾。而一个真正生活在共同世界模型里的插件逻辑完全不一样。地图不是终点仙居不是终点师徒不是终点宗门不是终点市场不是终点收藏也不是终点。它们只是一个持续世界里的不同侧面。用户并不会坐在那里想“我今天应该调用地图插件然后调用社交插件再调用关系插件。”他甚至不知道这些东西在底层分别由什么模块完成。他只是产生了一个非常自然的意图我想去找一个朋友。于是他移动进入朋友的仙居看到对方发生对话也许互赠一件东西也许建立一种关系。整个过程可能穿过十几个模块却没有任何“工具调用感”。这让我想到了我们每天使用操作系统时一个非常熟悉、但很少认真思考的现象。对于程序员而言操作系统里存在大量 API。我们写代码的时候会在一段看起来近似二维的文本里一行一行调用它们创建窗口、读取文件、申请内存、打开网络连接、绘制控件、响应事件。从源代码的视觉感受看这些 API 像是一个一个明确的调用点。但当一个普通用户真正坐在电脑前用鼠标点击窗口、拖动文件、切换应用、播放视频、输入文字的时候他根本不会感觉自己正在“调用 API”。在短短一分钟里系统背后也许已经发生了成千上万次函数调用、事件派发、磁盘访问、内存读写和图形绘制但对于用户而言这一切已经被一个更高层的抽象彻底隐藏了。用户感受到的不是 API。用户感受到的是“电脑”。这两个字之间其实隔着极其巨大的抽象层。而我越来越觉得今天的 AI Agent 仍然在非常靠近 API 的那一层。我们还在讨论哪个 Tool 好用哪个 Skill 应该安装哪个 MCP Server 应该接进来模型什么时候应该搜索、什么时候应该打开浏览器、什么时候应该调用邮件。这当然是一个必经阶段就像早期计算机必须先解决系统调用一样。但一个真正成熟的 Agent 系统最终也许不应该让用户感知到这些工具的存在。用户面对的应该是一个更完整、更连续的环境工具调用只是这个环境自然运行时产生的底层活动。这其实就是所谓“再套一层虚拟化”。计算机历史中抽象层几乎永远在不断向上生长。晶体管之上是指令集指令集之上是操作系统操作系统之上是图形界面图形界面之上是应用。每往上抽象一层底层没有消失恰恰相反底层发生的事情越来越多只是人不再需要直接面对它们。未来的 Agent 很可能也需要类似的一层变化不是让用户在一堆 AI Tool 里面思考“我现在应该调用什么”而是给予用户一个持续存在的、更高层的上下文让大量工具在这个上下文中自然形成网络。企业服务客户就是一个很好的例子。今天如果我们从 Tool 的角度设计一个企业 Agent很容易拆成 Gmail Skill、Calendar Skill、CRM Skill、合同 Skill、财务 Skill、客服 Skill。理论上已经非常强大了但使用起来依旧很容易呈现一种拼装感现在查 CRM接着查邮件再看日历然后读取订单。可是企业真正面对的对象并不是这六个软件企业面对的是“这个客户”。如果我们把“客户”本身作为一层更高的对象抽象整个系统就会完全改变。这个客户什么时候第一次接触我们和谁沟通过购买过什么最近有什么问题下一次会议是什么时候一份合同目前执行到哪里哪个承诺尚未履行哪封邮件值得重新跟进所有这些信息都围绕同一个对象自然组织起来。当然这一切必须建立在明确授权、最小权限和严格隐私边界之内但在边界得到满足以后Agent 看到的就不再应该是六个彼此分离的 Tool而应该是一个持续存在的客户关系世界。一念成仙其实在一个完全不同的场景里提前碰到了类似的问题。我们不是围绕“客户”组织状态而是围绕“修仙者”组织状态。一个人是谁他在哪里他拥有什么他和谁是什么关系他属于哪个宗门他刚刚做了什么事情哪些地方允许进入哪些行为会受到权限约束所有插件围绕同一个持续对象共同工作。于是插件的价值也发生了变化。一个新插件加入以后不只是增加了“一项新功能”它还有机会重新激活过去已经存在的所有功能。这也是为什么我越来越觉得判断一个插件生态是否成熟不能只看插件数量甚至不能只看每个插件自己的调用量而应该去看一种更难量化的东西一个新插件加入以后它有没有提高其他插件的价值差的插件系统里N 个插件大约就是 N 种能力。好的插件系统里第 N1 个插件会让前面的 N 个插件产生新的组合。地图系统存在以后仙居系统变得有意义仙居存在以后拜访和社交变得自然社交存在以后师徒、道侣、赠礼和头衔才开始形成新的关系网络关系网络形成以后排行榜、活动、市场和长期社区结构又获得新的上下文。插件数量仍然只是线性增加但用户能够产生的交互空间开始呈现组合式扩张。这和现实世界其实非常相似。一个人走进咖啡店点了一杯咖啡然后喝掉它。对于这个人来说这是一件再简单不过的事情。他不会在喝咖啡以前认真思考我现在正在调用全球咖啡豆供应链、港口运输系统、城市道路系统、店铺租赁系统、员工招聘系统、电力系统、自来水系统和纸杯生产工业。他只是在买一杯咖啡。可是如果把视野拉远一点这杯咖啡里面几乎包含了整个现代社会。咖啡豆要种植、采摘、加工、烘焙和运输店铺要存在于城市道路之中机器需要电水需要经过城市管网纸杯需要生产员工需要来到这个地点支付需要依赖金融网络。如果没有稳定的供水没有电网没有道路没有物流没有商业物业这杯咖啡根本不会自然地出现在你手里。但现实世界最惊人的地方恰恰在于我们从来不需要在喝一杯咖啡的时候主动调用这一切。它们已经被世界本身组织好了。真正高级的系统不是让人能够调用更多能力而是让大量能力在一个统一环境里自然发生。如果未来的 Agent 能做到这一点那整个行业对“插件”的理解可能都会改变。到那时候我们不会再问“这个 Agent 有多少 Skill”就像今天没人会在打开 Photoshop 之前问 Windows 有多少个系统 API 一样。我们真正关心的会变成这个 Agent 所生活的上层世界是否完整它有没有持续的对象有没有可靠的时间线有没有状态连续性有没有权限边界不同能力能不能围绕同一个对象自然合作一个动作发生以后它会不会在系统其他地方产生合理的后果从这个意义上说Harness 真正重要的地方也许不是单纯“约束模型不要乱调用工具”而是为模型创造一个可以合法行动的世界。模型当然可以很聪明但聪明不意味着它应该拥有无限行动自由。一个修仙者不能因为模型认为“飞过去更方便”就直接穿过地图边界一个不存在的关系不能因为语言模型觉得剧情有趣就突然成立一个用户没有拥有的物品也不能凭一句自然语言被创造出来。真正的智能不是破坏规则而是在规则之内找到丰富的可能性。所以我们做的大量工作本质上是在回答同一个问题这个世界里什么事情是真的什么位置是真的什么关系是真的什么资产是真的什么时间是真的什么权限是真的什么变化可以被接受什么变化必须被拒绝。一旦这些事情被稳定地定义下来AI 才真正拥有了行动空间。否则所谓 Agent只是一个语言能力极强、但对现实边界没有稳定认知的调用器。也正因为这样我现在再回头看一念成仙会觉得过去我们常常把它说小了。它当然可以是一款文字社交娱乐机器人这是用户看到的产品形态但如果把它往上抽象它其实更像一个长期运行的、多用户共享的 Agent 世界实验大量用户拥有各自持续的状态大量模块遵循共同规则参与运行人与人之间可以建立持续关系系统又通过 Harness 和严格的数据约束保证整个世界不会因为模型的一次幻觉而失去一致性。而最有意思的是这个世界目前主要以文字存在。文字的价值并不在于它是什么“信息熵最高”的媒介。恰恰相反我更愿意把文字理解成一种成本极低、抽象程度极高、同时拥有巨大可展开空间的世界表示方式。一句“两个修仙者坐在月下的仙居里论道”对系统而言也许只有几十个字符但真正把它展开成视觉世界时需要确定建筑、山水、服饰、动作、光照、天气、材质、镜头、声音甚至人物细微的表情。文字用很小的信息量定义了语义骨架却把大量表现空间留给了未来。所以未来如果视频生成、三维生成乃至实时空间生成真的迎来算力跃迁最值得关注的也许不是“AI终于可以实时画一个世界了”而是在画面出现以前这个世界是不是已经存在了这两件事情差别非常大。如果一个系统没有持续状态没有人物关系没有历史没有因果没有统一规则那么再精美的视频模型也只能不断生成漂亮的片段。但如果底层已经存在一个严密运转的文字世界视频模型所做的事情就会发生根本变化。它不再负责创造世界。它只负责渲染世界。我们曾经做过一次成本极高的小范围测试把一段已经发生在系统中的连续社交链路——地图移动、进入他人仙居、两个人交谈、建立师徒关系、获得对应头衔——交给当时顶级的视频生成模型去视觉化。最终得到了长达二十分钟的修仙风格动画。效果的确远超我们更早以前尝试的静态图像但代价也非常现实每分钟接近 150 元二十分钟大约烧掉了 3000 元而且整个生成过程足足等待了七天。这显然不是今天能够规模化运行的产品。但这个实验真正带给我们的信心并不是“视频 AI 很厉害”而是另外一个结论当一个世界已经以结构化状态存在以后视觉只是表现层。我们没有让视频模型临时编一个世界。地图位置已经存在人物身份已经存在仙居已经存在双方关系变化已经存在最终头衔也已经存在。模型只是把这些已经发生的状态变化重新解释成画面。从这个角度看今天坚持纯文本并不是因为我们看不到视觉未来反而恰恰因为我们认为在算力还没有便宜到足够实时以前应该先把最重要的那一层做好。先把世界做好再等待渲染成本下降。这和几十年前的计算机其实有一点相似。256K 内存时代人们不可能想象今天一个普通家庭电脑拥有 128G 内存以后可以随意运行多少曾经奢侈到不可思议的东西。很多今天看来属于“架构错误”的设计当年可能只是被成本逼出来的妥协而很多今天看来毫无必要的抽象也许会在下一次数量级跃迁以后突然变得极其重要。所以我现在越来越不愿意把插件理解成一个个孤立的工具。Tool 当然重要Skill 当然重要插件数量也没有错。但如果整个行业最终只走到“让 AI 拥有一千把扳手”这一步我觉得我们仍然远远低估了 Agent。真正值得期待的下一层也许是让这些扳手消失在用户的感知之外。用户只需要生活、工作、表达意图、建立关系、完成目标。底层大量能力像城市里的道路、电网、水网和供应链一样自然协同没有人需要知道一分钟发生了多少次 Tool Call也没有人需要在每一步之前决定应该调用什么插件。就像你走进咖啡店拿起那杯咖啡。你从来没有调用过电网。没有调用过自来水。没有调用过物流。没有调用过纸杯工厂。但它们全都在那里。也许这才是 Agent 真正成熟以后的样子。插件不应该彼此认识但它们应该认识同一个世界。而当所有插件都开始围绕同一个世界运行时我们最终构建出来的可能就不再是一个拥有很多工具的 AI而是一个能够让智能自然发生其中的环境。