深蒸馏 · 直播回看 · 配额批次 3

Agent 经济学:把智能当作生产投入,用交付价值而不是消耗量判断是否值得

直播回看 | 2026.04.28 | 时长未标 | 已深蒸馏 9 / 53
来源:原视频 | @howie.serious | 2026.04.28
直链(在飞书/企微预览里点击可能被拦截,复制到浏览器打开):https://www.candobear.com/detail/l_69ef0cbae4b0694c5bb87236/4
阅读路径:先读第一组,用 AI 内参的真实成本理解为什么「能做」不等于「值得做」;第二组解释 agent 为什么比聊天更费资源;第三组看人的工作应移到哪里;第四组讨论怎样从个人实践长出服务。只看一组就看第一组,它直接回答你下一笔 token 应花在哪里。
一句话结论:Agent 要成为可持续的生产方式,关键不在于把每次调用压到最便宜,而在于让任务交付的价值覆盖持续发生的成本,同时保住人的筛选与判断。

第一组 · 先算任务的账:最贵的模型不一定浪费,免费的额度也不等于没有成本

1.1 AI 内参:一份日报背后是一套持续运转的信息系统

原文在说什么

howie 用自己的 AI 内参做成本公开。他说,系统已经运行约两个月,背后不只是一个写日报的 agent,而是多个 agent、付费信息源和阅读工具共同组成的流程。每天新增的信息先由他人工筛选,进入阅读器;agent 再处理内容、生成日报;他随后从日报里选出值得进入阅读库的文章。人工判断在流程前后都存在,不是把所有来源扔进去就自动得到好内容。

他报出的每日 token 成本是约 30—50 美元,原因之一是此前没有认真约束成本,直接采用最好的模型。他又把多个 agent 的费用合在一起,粗估一年超过两万美元;信息源与工具另有约一千美元的年支出。这些数字说明的是他的系统量级,不是一份标准日报的报价。

他承认,从订阅产品的收入看,成本压力很大;但如果换成找人完成同样的信息收集、处理和阅读支持,两万美元也未必能买到相同结果。因此,不能只问「一天五十美元贵不贵」,还得问「它替代了什么、让谁获得了什么」。

关键概念
原文中的成本项howie 报出的量级应怎样读这个数字
日报 token 消耗每天约 30—50 美元其当时流程与模型选择下的口述成本
多个 agent 合计每年两万美元以上作者粗估,不是逐项核算后的财务报表
信息源与阅读工具每年约一千美元不应被藏在模型账单之外
希望压低的日报成本每天约十美元优化目标,不是已实现的结果
对你的实际应用

Ben哥,可以把这两本账转成 ~/.agent-autoloop/report_html.py 的报告展示方案:拟新增 render_task_cost_summary(),分别呈现「模型消耗」「信息与工具分摊」「人工筛选时间」「本次交付用途」。金额未知就显示「未记录」,不要用 token 数直接代替美元。这里提出的是后续函数设计,不声称现有脚本已经有这些字段,本轮也不修改它。

1.2 额度被停:让顶级模型做简单动作,是没有划分工作难度

原文在说什么

讲座的直接触发点,是他们使用的 Notion 空间达到积分上限,agent 功能被暂停。howie 发现,有的人 agent 数量不多,消耗却比他还高。这让他反问:如果这些任务真要自己掏几千美元,还会不会照原样运行?此前免费可用的体验,掩盖了真实的生产成本。

他展示平台里不同模型的价格档位,从一星到五星都有,但大家此前连简单任务也习惯选最贵的一档。他用「雇清华北大的博士扫地、端茶倒水」来比喻这种错配:不是博士不好,而是任务没有必要消耗这种能力。

不过,他也批评另一种极端:为了便宜,所有步骤都用低质量模型,连术语和翻译都出错,最后只得到没有人工品位的聚合内容。他同时反对无差别堆最强模型和无差别用最便宜模型。本场指出了取舍方向,但没有给出逐任务的模型路由算法。

关键概念
对你的实际应用

Ben哥,针对 cron-jobs.json,可提出增加 task_class、quality_floor、cost_budget 三个任务配置字段:分别写任务类型、不能牺牲的质量项和可承受的单次费用。先拿同一任务比较不同配置,再决定是否降档,而不是直接把所有任务换便宜模型。字段是本文的拟议设计;原文未展开具体预算数和切换阈值,本轮不改配置、不改 cron。

第二组 · 再看资源的账:agent 的消耗来自工作过程,不只是最后那段回答

2.1 从聊天到交付:长上下文、计划和中间产物一起放大消耗

原文在说什么

howie 说自己的 token 消耗比聊天时代高了很多,并不是因为他每天多聊了多少句,而是因为 agent 会完成一段连续工作:调取内容、制定计划、拆成步骤、使用工具,并生成中间文件和其他产物。一个任务可以持续运行十几分钟,最终交付的日报只是可见的末端。

这也解释了为什么他把 agent 比成推土机,把过去个人逐篇阅读、做笔记、酝酿文章的过程比成拿勺子挖土山。比喻的重点不是人可以彻底不管,而是同一个人能够调动的处理规模变了。沿用「一次聊天多少钱」来理解「一套系统每天多少钱」,会漏掉大量实际工作。

他进一步把这种变化连到存储、芯片和基础设施需求上。本场相关股票涨幅与未来市值的叙述属于他的观察和推断,不能反过来充当某个任务值得运行的证据。

关键概念
对你的实际应用

Ben哥,在 knowledge.py 可拟增 summarize_run_usage():按一次知识任务汇总 input_tokens、output_tokens、tool_calls、artifact_count 和 elapsed_seconds;没有采集到的项单独标明。这样深蒸馏正文只有几千字时,也能看到前面的处理成本。原文没有给这些字段或采集代码,这是从其过程消耗解释推导出的应用方案,不能冒充已经接通的监控。

2.2 五层蛋糕:上层在交付服务,下层在供应智能

原文在说什么

为避免把 AI 只理解成几个应用,howie 引入「五层蛋糕」框架,从应用往下依次看模型、AI 工厂、芯片和电力。他把 AI 工厂理解为生产 token 的设施,并强调芯片不只有 GPU,还包含其他计算和存储环节。

他反复使用「智能变成电」这个比喻:过去获取智能要雇用人的时间,现在可以通过模型与 agent 调动智能。他据此判断,随着基础设施扩张,智能会越来越便宜,更多可以交给 agent 的工作最终会由 agent 完成。

这里要区分两层话:五层框架是在提醒你看见应用下面的供给体系;「价格每年降到十分之一」「未来像电一样便宜」则是讲者的趋势判断。不能拿未来可能更便宜,替今天没有收益的运行方式开脱。原文对供电功率、年度耗电量的口述有单位混用,因此不据此转述工程数量关系。

关键概念
层次原文关注什么对使用者意味着什么
应用用户能获得的服务与结果先判断任务有没有价值
模型智能能力与选择能力与价格需要配合任务
AI 工厂token 的生产供给服务依赖持续运行的基础设施
芯片计算及存储等组成不能只盯一种硬件理解需求
电力最底层资源条件低价智能仍有物理供给基础
对你的实际应用

Ben哥,可在 kb/STANDARD.md 的后续修订方案里增加「证据层级」字段,把文章中的 原文事实、讲者判断、应用推导 分开记录。例如「五层蛋糕」是原文框架,「每年降价十分之九」只记为讲者判断,不写成知识库的固定参数。这里仅描述拟加的口径,不更新标准文件,也不借本场材料补写外部行业事实。

第三组 · 人的工作往上移:不再和 agent 比处理量,但仍要有判断的底子

3.1 把 agent 当同事:交代工作环境,也改变自己负责的事情

原文在说什么

howie 提议,把 agent 看成同事而不只是聊天窗口。人在电脑上工作,需要软件、文件、联网和工具;agent 也需要类似的工作环境。他举的例子是,过去安装开源系统、配置运行环境要耗费大量精力,现在可以向 agent 交代目的,让它完成安装和演示。

顺着这个视角,他谈到个人角色变化:以前是操作应用的用户,如今开始设计 agent 做什么、怎样工作、如何控制成本,就更接近 maker 或 prosumer。使用者开始承担一部分过去由产品开发者和运营者承担的选择。

他对「凡是电脑上能做的事情」给出了很强的自动化判断,但也提到关系、销售、服务等人际工作不能简单等同于电脑任务。因此,本场最能落到行动上的,不是断言所有职业何时消失,而是重新划分:哪些步骤能交付给 agent,哪些决定仍由人承担。

关键概念
对你的实际应用

Ben哥,可以给 tasks.md 的未来任务条目拟加「交付结果/可用输入/允许工具/人的保留判断」四个字段。比如知识库任务,人决定值得处理什么和能否收录,agent 负责读取与成稿。不能把「帮我研究一下」当完整交接,也不能把讲者对工具能力的描述当作访问所有文件的授权。本轮遵守任务边界,不读取或修改 tasks.md。

3.2 智能仍是底座:稀缺的转向 attention、idea、agency 和学习能力

原文在说什么

讲者有一句故意制造张力的话:智能本身越来越不值钱,但人没有智能又不行。他并不是主张停止学习,而是强调创造力和判断力仍建立在知识、记忆、理解和个人知识体系之上。没有阅读、笔记和长期思考,也很难持续产生有价值的想法。

在这层底座之上,他强调四件事:attention 是把注意力留给重要事情;idea 是能提出值得解决的问题;agency 是主动采取行动;元学习能力则帮助自己在变化中继续学。听完很多直播不行动,与刚接触就开始实践的人,会走向不同结果。

他还特意给自己的兴奋踩刹车:脑中想法太多,必须压住,一个场景做穿做透,再做下一件。这里的动作顺序是单任务、尽快拿结果、走完闭环、持续迭代,不是同时铺开更多项目。他也提到高强度用脑后的困倦和休息需要,不能把热情理解为无限加班。

关键概念
对你的实际应用

Ben哥,reading.py 可拟增 make_action_card(),从一篇阅读输出里提取 problem、next_action、expected_result、review_trigger 四项:问题是什么、下一步做什么、怎样算拿到结果、何时回看。它不是替你自动批准新项目,而是把一个想法变成可判断的行动卡;没有明确动作就如实记录。原文没有给函数实现,本篇也不让阅读任务自动扩大执行范围。

第四组 · 从自用到服务:把熟悉的问题做透,再谈 agent 驱动的商业模式

4.1 先熟悉工作,再反复重做:经验不能被一张万能清单替代

原文在说什么

howie 说,他让 agent 接手一件事之前,通常已经自己做过很多年、很多遍,对这件事有深入理解,也形成了自己的 workflow。这是他能够设计和判断 agent 工作的基础,不是先找到一个热门工具,再临时寻找用处。

他把在不同空间重建 agent、试不同模型、把几个 agent 合起来再拆开,看成积累经验的机会。他谈到数百小时乃至更长的练习,但这些是他的经验观,不是经过验证的学习时长门槛。更重要的是,同一个人反复改变结构后,才会知道哪些设计有效。

讲座最后,他明确说,如何把一百美元投入变成一百一十或两百美元价值,不能靠他列一份规则就教会。每个人的工作情境和经验不同,需要在实践、交流、分享中自下而上形成能力。本场没有提供通用利润率或统一工作流。

关键概念
对你的实际应用

Ben哥,可在 knowledge.py 拟增 compare_workflow_runs(),比较同一份输入的不同运行方案,记录 workflow_variant、quality_issues、human_review_minutes、run_cost。一次只比较一项变化,例如模型选择或步骤拆分,不能把来源、标准和模型全换了还宣称找到原因。这是本文提出的比较办法;原文未展开对照实验设计,本轮只交付蒸馏文档。

4.2 Agent as a Service:卖的是问题被解决,不是模型运行过

原文在说什么

howie 讨论的小团队,不一定严格只有一个人,也可能是几个核心的人与一群 agent 合作。他认为,这样的团队能承接过去需要更多人才能完成的知识工作;这属于他对组织形态的判断,并非本场已经验证的普遍生产率数据。

另一条路是把 agent 驱动的系统做成服务。他用 AI 内参说明 Agent as a Service:几个 agent 持续工作,用户为获得的服务订阅,而不是亲自去操作每个工具。这个产品起于他自己对低质量信息的不满,再扩展为对其他读者的服务。

但 agent 服务与复制一份数字内容不同,持续处理会产生边际成本。因此,idea 是否有价值、问题是否值得解决,会比单纯做出一个东西更重要。原文没有给完整的获客、续费、定价或毛利模型;它留下的有效问题是:这项服务是否让特定的人得到值得付费的结果?

关键概念
对你的实际应用

Ben哥,可在 ~/.agent-autoloop/report_html.py 的后续设计里拟增 render_service_value_card(),写清 target_user、problem_solved、delivered_result、recurring_cost,把「生成了报告」与「报告解决了什么」分开。投资信息类报告尤其不能用某次行情上涨证明服务稳定有效。本场收益故事仅作讲者自述,不据此给你的报告填写收益率,也不推导收费方案。


与在用工作的关联

以下都是针对 Ben哥文件的后续设计提案,不是现状审计,也不是本轮已执行的修改。

这条里的什么对应你手上的什么具体怎么用
产品收入与自用价值分开算~/.agent-autoloop/report_html.py拟加 render_task_cost_summary(),分别展示费用和交付用途
任务难度与模型价格匹配cron-jobs.json拟加 task_class、quality_floor、cost_budget,先比较再决定配置
工作过程不等于最终字数knowledge.py拟加 summarize_run_usage(),汇总 token、调用、中间产物及耗时
框架与趋势预测不能混写kb/STANDARD.md拟加「证据层级」,区分事实、讲者判断与应用推导
把 agent 当作接收任务的同事tasks.md拟加交付结果、可用输入、允许工具和人的保留判断
一个场景走完闭环再扩展reading.py拟加 make_action_card(),将阅读转成一个可回看的动作
反复重做以积累经验knowledge.py拟加 compare_workflow_runs(),比较方案、质量问题与人工复核成本
服务价值不能靠运行记录证明~/.agent-autoloop/report_html.py拟加 render_service_value_card(),说明服务对象和解决的问题

原文:【howie 的 AI 主题讲座】agent 经济学:一次讲座,真正理解 agent 与我何干;场次日期按任务提供为 2026.04.28。底稿为本地转写 /Users/benhong/.agent-autoloop/cdb/transcript/l_69ef0cbae4b0694c5bb87236.txt,无可据以确认总时长的完整时间标记。

本篇依据:转写稿从开场声音测试顺序读至结尾,围绕内参成本、模型选择、五层框架、人的角色与服务模式重组。金额为讲者当场口述;「9 / 53」按本任务 q09 编号填写,不代表另行核验了系列完成进度。未查询外部资料;应用段的字段与函数均为本文提案。

更正与边界:按上下文将「内餐/内衬」统一为「内参」、「安量」改为「按量」、「编辑成本」改为「边际成本」,不据机器误识补造专名。原文日期线索与场次信息存在不一致,本文沿用指定日期,不强行修补;平台计费节点、模型价格只作当时口述背景。成本年化、订阅回本人数与股票倍数有不一致处,不据此复算经营结论;功率与年度耗电量混用处不沿袭。关于 2027 年人类工作终结、智能降价速度及广泛社会因果的断言,均不作为已证事实。收益核算、具体模型路由和服务定价的完整方法,原文未展开。本篇仅完成执行者成稿与可机械检查项,不替代独立内容验收。

定位:中文深蒸馏,不是逐字摘要。标「对你的实际应用」的部分是面向 Ben哥的分析,与原文观点分开;除目标文档外不实施任何文件或配置变更。