从开源到 Agent，从组织到个体：AIEC 大会现场侧记

从大会议程看 AI 的落地难题

AIEC 把开源、Agent 和组织放在同一段议程里，并不只是因为它们都是热门词。模型能力如果只停留在演示层面，企业关心的是另一套问题：数据能否接入，流程能否改写，谁来承担部署成本，出了问题由谁负责。会场里既有行业分析者、学者和模型研发团队，也有制造、IT 基础设施等传统行业的代表。不同角色谈的是同一轮技术浪潮，却各自面对不同的约束。

庄明浩把这种状态概括为探索期。模型能力在推进，行业也在试着把它装进现有业务，但没有一套方案已被普遍验证。企业需要从自身的资料、流程和组织习惯出发，寻找可运行的组合。正因为如此，现场讨论比起某个产品的短期表现，更在意一系列基础条件是否具备。

「没有所谓的标准答案」

企业转型先碰到数据与上下文

美的的案例让讨论落到很具体的企业工作上。数字化转型并不是今天才开始的事，但过去不少企业即使认可它的长期价值，也不一定愿意立即投入。价值难以直接衡量，管理层和业务负责人便容易把它排在更紧急的事项之后。大语言模型出现后，局面有了变化：不少管理者不再问 AI 有没有用，而是问怎样做、从哪里做、预算投在哪里。

这个倒转并没有让实施变得简单。模型要和企业结合，首先得看见业务数据，理解流程中的对象、权限和规则。如果材料散落在不同系统里，流程靠口头经验衔接，模型就难以可靠地参与工作。庄明浩转述美的方面的判断时，用了一个十分直白的说法：

「企业当中的上下文工程现在做得不好」

这里的上下文，不只是给模型附上一份说明书。它包括可用的数据、系统接口、业务规则、访问权限和历史资料。企业此前没有完成的数字化基础工作，在模型落地时会重新显现。没有这些材料，模型即使能力很强，也很难知道应该读取什么、允许操作什么、怎样把结果交还给哪个环节。

数字员工需要被纳入企业制度

对谈提到浪潮在内部的探索：当 Agent 被视作一种数字员工，企业要为它准备一套与人协作相配套的安排。它需要访问哪些数据，在哪个环境里运行，多项任务并发时怎样管理，哪些操作必须审查，这些问题都不能等到模型接进系统之后再临时补救。

浪潮内部尝试过黑客松和 Skill Hub，让员工与 IT 团队围绕内部场景制作能力，成熟后也可以考虑提供给客户。这样的做法并不等于每家公司都应照抄。它说明的是，模型落地会把技术团队、业务团队和管理层放进同一个协作问题里。原有的 KPI、员工对新工具的接受程度，以及 token 的使用成本，都会影响项目能否持续。

组织调整也不必只有一种方向。对谈一边提到，在核心系统中有可能由管理层推动并投入预算；一边也提到腾讯的 WorkBuddy 从个人产品和小规模试用开始，验证效果后再扩散到内部。稳定业务可围绕留存、转化等明确目标寻找 AI 的用法，边缘项目则适合先做出小原型，观察用户是否愿意继续使用。两种方式可以同时存在于同一家公司。

应用产品要把开放能力收束成工作流

庄明浩讲到一位在长春经营婚纱摄影工作室的大学同学。对方想做营销 Agent，知道常见聊天产品，却并不具备工程背景。对这样的用户来说，拿到产品后能否马上完成营销方案、保存上下文、执行明确步骤，才是关键。技术上可组合，不等于产品上可交付。

这使应用层的判断比模型排行榜复杂得多。推荐 WorkBuddy、Trae、Coze 还是 Coder，不能只看上下文长度或模型表现，还要看用户的工作习惯、是否需要团队协作、软件是否容易理解，以及安全和信任是否适合场景。用户希望得到的往往是一条固定的工作流，而不是一张需要自己研究的工具清单。

「它不是螺丝刀」

螺丝刀的用途明确，使用者知道它能完成什么，也知道该选十字头还是一字头。通用模型的优势恰恰在于用途不被固定，但这种开放性会转化为普通用户的选择成本。应用产品要做的，是围绕一个任务收束入口、上下文、操作步骤和输出格式，让用户不必先成为系统设计师。

大市场之外，仍有细分工作的深度

关于应用层会由模型公司通吃，还是会出现大量垂直公司，对谈没有给出二选一的结论。过去几年的经验是，只要一个方向做到一定规模，模型公司、大平台和创业团队都会迅速关注。coding 已经如此，法律、金融等细分领域也出现了相似趋势。竞争会推着上游公司向下延伸，也会迫使应用公司不断证明自己理解某类工作的能力。

水泥智能体的例子提供了另一种视角。对谈者说，相关公司面对的是材料科学问题，使用的更像时间序列模型，而非主要处理语言语料的大语言模型。即使通用模型未来能够处理更多类型的数据，长期进入一个水泥厂、理解现场运行并承担部署服务，仍是一项很具体的工作。场景的复杂度、数据的特殊性和驻场服务的深度，都会影响通用能力能延伸到哪里。

系统开始按任务分配模型与 Agent

模型层的竞争也在从单次回答，转向更长的任务过程。对谈提到 Kimi 在年初关注 token 效率和超长上下文，此后又把多 Agent 集群加入重点方向。这里的 token 效率，是用更少 token 完成类似任务，或者用相同数量的 token 处理更复杂的任务；超长上下文则为长期任务保留更多材料和历史信息。

多 Agent 集群的想法更接近一个分工系统：先设计任务流程，再为不同 Agent 分配角色、上下文和能力，最后由一个综合整理与审查的环节把结果收拢。对谈同时观察到，传统 SaaS 公司、大型企业和应用创业公司也会设置路由层，让不同任务交给不同模型。路由层的作用是根据任务在成本与结果之间作选择。

这种安排也会反过来影响企业组织。模型不只是一个被调用的接口，它开始承担流程中的局部工作，系统设计者需要决定谁负责发起、谁负责复核，以及失败时怎样回退。

开源从立场之争变成部署选择

对谈把 DeepSeek、Qwen 等模型放在开源叙事的变化里看。早期的讨论容易把开源和闭源看成对立选择：一边强调前沿研发需要大量资金和顶尖研究人员，另一边则强调开放权重和社区扩散。到 2026 年的现场讨论里，这种二分已不足以解释现实。开源模型与商业服务、工具、Agent 和基础设施开始组合；闭源厂商也会吸收开源生态的做法，或释放一部分非核心能力。

对制造企业而言，开源的意义尤其具有运行层面的解释。水泥等连续生产场景一旦停产，损失不只是一次服务请求失败。对谈者用电力作比喻：如果 AI 已是关键流程的一部分，企业很难接受外部服务一夜之间不可用，也不愿把所有业务数据和上下文都交出去。

「不能被断电」

这并不意味着企业必须把一切都开源或全部自建。现场讨论的重点是选择权：在关键任务中，企业可能希望有可部署在内部的模型作为备份或基础能力，同时保留自己的语料、数据和业务上下文。模型厂商也因此需要在开放、成本、监管、社区影响力和商业回报之间不断调整。

自动化越强，人的判断越需要自己完成

大会中出现幸福心理学的嘉宾，让话题从组织和产品走向个体。庄明浩提到，coding、图像与视频生成、同声传译等领域的变化，会让从业者感到熟悉的能力边界正在移动。过去，一个专业常被认为能对应较长时间的职业路径；现在，专业和具体工作之间的关系显得更松动。焦虑并不只来自某项任务能否自动化，也来自人无法预先知道下一轮能力跃迁会改变哪些工作。

对谈没有把这种处境包装成轻松的转型故事。它谈到白领工作中出现的无力感：一些任务里，人原本负责编排、下达任务和组织，现在发现最好的做法可能只是观察模型完成。与此同时，彭凯平提出的善良、体验感和在场感，被对谈者理解为另一层提醒。工具可以生成内容和建议，人仍要决定自己是否认同结果。

「把你这个反应，这个第一反应留给自己」

这个判断并不排斥使用 AI，而是要求人在使用之后仍做评价。对谈者尤其警惕模型替读者预设情绪，把某段话标成最惊讶或最重要的部分。内容是否打动人、建议是否适合现实处境、产品值不值得信任，都需要使用者自己保留反应。

现场感、品味与手工痕迹

这层判断也解释了为什么线下活动和长内容会被重新讨论。纯粹接收信息时，直播、录播和电子版材料可能更高效；但人在会议、比赛或面对面交谈中获得的，不只是一份信息。共同的时间、空间和情绪，会让同一个内容带来不同的感受。对谈把播客的增长放在这一变化里理解：有些听众想要相对少预加工、少追逐即时刺激的叙述节奏。

庄明浩还谈到自己仍会亲手做 PPT。字体、边框和版式不一定比 AI 生成的版本更有效率，却保留了作者的选择。另一位对谈者则把品味和信任放在一起：如果同样的内容明显只是按 AI 模板输出，读者可能会降低对它的估价；人参与过的痕迹，能让读者判断其中是否有真实的取舍。

这不是给手工附加浪漫滤镜。技术仍会改变大量工作，某些手工环节也可能越来越小众。节目只是把问题放回创作本身：人在表达什么，想与谁建立怎样的关系，愿意为哪些细节承担自己的选择。

硬件把 AI 生态拉回供给现实

对谈的末尾转向硬件。庄明浩认为，软件正在被更快地生产，而硬件的制造无法在短时间内复制。电力、设备、供应链和物理建设有自己的节奏。即使需求迅速增长，供给也未必能立刻增加，这会使硬件在 AI 生态中的位置再次突出。

硬件一头连着电力，一头连着上层的计算与应用需求。它既是产业链里的具体设备，也是模型服务能扩张到什么程度的现实约束。这个视角与前面的组织、开源和应用问题相互呼应：再强的模型也要进入数据、流程与基础设施所允许的范围；再清晰的产品愿景，也要面对部署和供给能否跟上的问题。