AGI 的新分工：大厂训练智能，开发者训练现实#

这两个月我越来越强烈地感觉到，AGI 时代里“做 AGI”和“造 AGI”的边界正在重画。

以前我们常把它理解成一条线：OpenAI、Anthropic 训练更强模型，开发者调用 API，把能力封装进应用。这个说法没错，但已经不够用了。真正决定分水岭的，不是谁离模型更近，而是谁在训练“通用智能”，谁在训练“现实可读性”。

我的判断是：上游大厂在训练通用智能，下游开发者在训练现实世界如何被智能稳定执行。

从能力竞争转向反脆弱竞争#

过去一年，OpenAI 和 Anthropic 都在把“会回答问题”推进到“能在受控环境里连续做事”：工具调用、代码执行、长任务、上下文管理、权限边界、企业接入，这些能力已经不是孤立功能，而是在收敛成执行系统。

这意味着平台层竞争正在进入新阶段：不是谁 demo 更惊艳，而是谁在真实业务噪音里更反脆弱。

所谓反脆弱，不是“不出错”，而是“出错后系统变得更强”。

放到 AGI 产品上，反脆弱能力至少包括三件事：

1. 错误暴露得足够早，而不是在业务尾部才爆雷。
2. 回滚路径足够短，而不是靠人肉救火。
3. 每次失败能沉淀成下一轮策略，而不是同类事故反复发生。

我觉得这会成为下一个 12-24 个月的核心热点。模型能力继续涨是确定的，但工程价值会越来越集中到“失败闭环”而不是“首次成功”。

大厂在做什么，开发者该补什么#

OpenAI、Anthropic 这类公司正在解决通用问题：推理、工具链、执行框架、默认安全、跨场景可迁移能力。这些是基础设施，应该由平台规模化供给。

开发者如果还把主要精力放在重复造一套同构底座，收益会越来越低。真正高杠杆的方向，是把具体业务改造成 AGI 可操作环境。

这件事我更愿意叫“现实建模”。

现实建模不是写几条 prompt，也不是接几个 API。它是把原本靠默契运转的系统，改造成可被机器理解、可被机器执行、可被机器纠错的结构化现场。

我自己在项目里观察到，决定效果上限的通常不是模型参数，而是以下问题：

1. 代码库边界是不是清楚，还是到处隐式耦合。
2. 工具权限是不是可解释，还是一堆历史特权。
3. 测试是否表达业务意图，还是只验证“代码跑了”。
4. 故障处理是否可复盘，还是靠当班同学记忆。

这些问题以前也重要，但在 AGI 时代，它们直接决定代理是否可用。

开发者“造 AGI”的未来形态#

我不认同“开发者会被 AGI 取代”这种线性叙事。更精确的说法是：只提供局部编码产能的角色会被压缩，能够重塑执行环境的角色会升维。

未来的开发者价值，会从“写实现”转向“设计可委托系统”：

1. 给业务建立稳定语法，让模型理解对象、动作、约束和完成定义。
2. 给执行建立可控边界，让代理能做事但不会越界。
3. 给失败建立恢复通道，让错误成为训练信号而不是生产事故。

换句话说，我们不一定在训练 foundation model，但我们在训练一个世界，让 foundation model 在其中稳定工作。

这就是我理解的“开发者造 AGI”： 不是和 OpenAI、Anthropic 在同一战场拼参数，而是在现实战场拼结构化能力、可恢复能力、可持续交付能力。

我接下来会押注的三条工程主线#

为了不把这件事说成空话，我给自己定了三条明确主线：

1. 场景语法化：把需求、流程、审批、异常抽成可计算对象。
2. 运行时产品化：把工具、权限、日志、回滚做成默认能力，而不是项目附属脚本。
3. 组织记忆机器化：把每次事故、修复、决策沉淀成可检索、可复用、可审计的执行记忆。

如果这三条线做不出来，模型再强，系统也只会停在“演示很好，生产很累”。

AGI 时代真正稀缺的开发者，不是最会追热点的人，而是最会把现实整理成智能可工作的秩序的人。

在我看来，这就是未来几年最硬的竞争力。