撰文| 涂彦平
编辑| 张南
设计| 荆芥
题图| AI
AI狂飙突进，Agent产品爆发，这一代产品的逻辑、范式和本质特征是什么？7月17日，在2026奇点智能产品大会上，奇点智能研究院院长、CSDN高级副总裁李建忠带来他的分享——《Agent产品范式创新的十个命题》。
这十个命题是：
一、核心逻辑：从连接到计算。
二、产品价值：从提供工具到交付结果。
三、产品设计：从流程体验设计到驾驭任务设计。
四、人机交互：Agent占据人机交互第一入口。
五、形态演进：Agent时代，传统软件/App会消失吗？
六、指标体系：从用户时长到任务完成。
七、产品护城河：从网络效应到能力飞轮。
八、商业模式：从广告/许可到结果/订阅付费。
九、能力上限：Agent上限还有多远？
十、智能本质：Agent是真的在逻辑推理，还是在做模式匹配？
这十个命题，本质上是在回答：当技术底座从连接切换到计算之后，产品经理以往的方法论要不要推倒重来？他的答案是肯定的——从产品价值（工具→结果）、设计范式（流程体验→驾驭任务）、交互入口（人操作软件→Agent接管软件）、软件形态（稳定复用→即时生成）、评价体系（用户时长→任务完成）、护城河逻辑（网络效应→能力飞轮）、商业模式（广告→结果付费），到能力天花板（Agentic Scaling）与最底层的哲学争论（推理还是模式匹配），十个命题层层递进，构成了一套相对完整的Agent产品方法论框架。结合当下行业现状看，这套判断有相当强的现实印证：Anthropic凭借更高的单用户价值（尤其是Coding场景）反超以流量打法见长的OpenAI，是“命题六”“命题七”最直接的注脚；AI Coding、Deep Research、具身智能等“哪些可计算”领域的持续爆发，也印证了“命题一”的连接-计算范式转换；而Agent记忆能力（如长时记忆、跨会话记忆）在2025-2026年成为各家模型厂商和创业公司集中投入的方向，恰好对应他所说的“能力飞轮”中最大的短板正在被快速补齐。但也有几点判断仍存争议，有待行业验证：一是“即时软件”能否真正规模化，目前更多还停留在demo和垂直场景，是否会像抖音一样从边缘走向主流，取决于生成质量与可靠性能否跟上；二是“结果付费”取代广告模式的判断虽方向正确，但目前多数To C的AI应用仍高度依赖订阅制而非真正意义上的按结果计价，商业模式的成熟度落地仍有较大差距；三是“逻辑推理还是模式匹配”这一命题，他本人也承认科学界、哲学界并无定论，属于开放性判断而非确定结论。整体而言，这是一份基于行业一线观察、具有较强前瞻性但也保留了必要审慎态度的产品方法论梳理。
01
核心逻辑：从连接到计算
互联网时代的底层逻辑是“连接范式”——所有互联网的事情本质是信息匹配，改变的是生产关系，关键要素是流量与用户时长。AI时代的核心逻辑变成“计算模型”，解决的不是匹配问题，而是“智能的供给问题”，改变的是生产力，关键要素变为数据、训练、学习。决策机制也发生根本反转：“互联网时代是机器给我们足够多的数据，让人类来去做所有的决策。而AI时代的逻辑正好调过来，是我们人类提供给机器数据，提供给它足够的上下文，然后让机器来做决策，做行动，做执行。”互联网的演变史（搜索、电商、社交）都在追求“哪些可连接”；而AI时代（AI Coding、自动驾驶、Deep Research）核心是追问“哪些业务、哪些服务是可被计算的”。
02
产品价值：从提供工具到交付结果
传统产品是“提供工具”：IDE不会写代码，Office不会写文章，Photoshop不会修图，CRM不会帮你成交。AI时代则是“交付结果”：AI Coding帮你写代码，AI Office帮你写文章，AI CRM帮你把单子卖给客户。从提供工具、让用户自己来完成，到提供结果、我来帮你完成、交付结果，这样一个产品的底层价值体系在快速地转换。基于此，李建忠提出一个核心判断：“AI时代的产品经理，是智能劳动系统的设计师。”
03
产品设计：从“流程体验设计”到“驾驭任务设计”
产品设计范式经历了从Prompt Engineering（提示词工程）、Context Engineering（上下文工程）到Harness Engineering（驾驭工程），乃至刚显露端倪的Loop Engineering（循环工程）的演进。李建忠强调这不只是工程师的事，而是“产品团队和工程团队共同的事情”。驾驭工程的核心是设计Agent的“知道、行动、反馈”三环节：要让Agent“知道”，需设计上下文、记忆系统、skills；要让它“行动”，需配置工具、沙箱等基础设施并做编排；要形成“反馈”，需评估验证、调试修正与可观测性。同时，Harness工程正从人工编排向半自动、自动编排迈进。Loop Engineering则要求判断任务是否可重复、能否确定性验收、能否追踪复现。
04
人机交互：Agent占据人机交互第一入口
05
形态演进：Agent时代，传统软件/App会消失吗？
李建忠的判断是，“不是消失，而是新的演进”。软件的底层原理是确定性计算（冯·诺依曼架构），Agent是概率性计算（神经网络架构）；软件依赖结构化数据（人被迫适应菜单表单），Agent则可直接从自然语言、视觉、语音中提取信息再对接传统API。未来软件光谱中会出现“即时软件”（Instant Software，即用即抛）和作为中间地带的“柔性软件”（Elastic Software，兼具稳定内核与即时生成的柔性层）。他以抖音为例说明颠覆式创新的规律：早期常被专业人士看不上，但具备“大规模（Massive）、个性化、低成本”三个特征，最终颠覆整个行业。今天的即时软件同样具备这种边缘创新特质，“我可能做一个软件就给我当前的同学两个人用”，成本可能“就是三两句prompt就出来”。
06
指标体系：从用户时长到任务完成
李建忠援引Cloudflare CEO Matthew Prince的分享：全球机器人流量已超过人类流量，预言未来Agent流量将超越今天互联网1000倍以上。 互联网的指标体系（PV、UV、DAU、MAU、用户时长）建立在“连接模式”上，希望用户停留越久越好。但Agent时代逻辑相反——“用完即走”，用户下达任务、Agent完成任务、交付结果即可。因此，新的指标体系转向token/Flops消耗、单任务价值、完成任务总数。他以OpenAI与Anthropic的估值变化为例：OpenAI此前沿用互联网流量打法追求日活月活，而Anthropic用户量虽少得多，但单用户价值（尤其编程场景）极高，年化收入因此飙升；同时，腾讯元宝等尝试互联网广告模式后，发现广告点击率断崖式下降。
07
产品护城河：从网络效应到能力飞轮互联网的护城河来自双边/多边网络效应（如淘宝买卖家、打车软件乘客司机的相互促进）；AI没有这种双边网络效应，“AI的另外一头就是整个的算力计算、token的输出”。李建忠提出，AI的护城河是“Agent能力飞轮”——记忆、skills、工具的持续积累与打磨，加上反馈闭环，使产品“越用越多，它越来越智能”。他特别指出记忆是当前Agent的最大短板：“它没有人类能够唤起一年甚至十年、数十年前的记忆这种能力”。一旦这一短板补齐，用户将体验到Agent的灵性、创造性与更强的履约能力。
08
商业模式：从广告/许可到结果/订阅付费互联网商业模式核心是广告，头部巨头几乎都是广告公司；但传统内容网站被AI免费抓取训练的模式不可持续，AI需要为内容付费。同时，广告推荐逻辑与用户使用AI“让你帮我解决问题”的诉求根本相悖。因此，Agent的商业模式不会建立在“羊毛出在猪身上”的推荐模式上，而是转向结果付费（“帮我把活干了，我愿意给个高价格”）与订阅、交易佣金等模式。
09
能力上限：Agent上限还有多远？
继大模型的预训练Scaling、后训练Scaling、推理时间（Test-time）Scaling之后，行业正进入Agentic Scaling阶段。Agentic Scaling有三个最具杠杆效应的要素：一是Agent协作数量，正从个位数向十位、百位扩展，他提出需要一套新的“组织工程”方法论来协调上百甚至上千个Agent；二是Agent运行时长，正从分钟/小时级向天/月级扩展；三是Agent迭代深度，正从个位数迭代向十位、百位迭代扩展，即长程任务中能在百步以上发现走不通后仍能回退重来。他援引Transformer发明人之一、现供职于OpenAI的Lukasz Kaiser的观点：当前推理模型/Agent能力“还是一个婴儿时期”，“远未见顶”。
10
智能本质：Agent是真的逻辑推理，还是在做模式匹配？
这是AI圈争议最大的问题之一，业界看法大致各半：一方认为AI仍是“统计意义上的模式匹配”“鹦鹉学舌”，没有真实的推理能力；另一方相信Agent已具备与人类相似的推理能力。李建忠个人倾向于后者，认为模式匹配与逻辑推理并非二元对立，而是存在连续关系。他援引Anthropic对大模型内部“J-space”的研究指出，大模型的能力并不只是简单预测下一个Token。在长期语言训练过程中，模型逐渐学习到了语言背后的抽象概念和语义关联，并形成跨语言的概念表示体系。这与人类通过抽象建立认知的过程存在一定相似性。他还引述今年5月在巴黎与菲尔兹奖得主Timothy Gowers的对谈：Gowers认为“逻辑推理和模式匹配，不是一个二元对立的关系……模式匹配就是推理能力不可或缺的一部分”。他认为，随着模型能力持续发展，AI的推理能力仍将不断演进。