验证器就是地图：为什么 agent 的护城河越过了模型
这一周，agent 世界悄悄达成了一个共识，几乎没人把它说出口。护城河不是模型，是验证器。
先盯着过去七天里被转得最多的那篇分析。研究者逆向了 Claude Code 的整套源码——51.2 万行——发现其中只有 1.6% 是真正的 AI 决策逻辑，剩下 98.4% 全是管道：任何命令执行前的七层安全检查、上下文溢出前的五层压缩系统、54 个工具里哪些在哪一刻对模型隐藏的精确规则。把这个数字再读一遍。所有人嘴里那个"AI 编码工具",98.4% 不是 AI。模型是容易的那部分，harness 才是产品。
这是第一步棋，而且已经走完了。一年前的争论是关于模型的——GPT 对 Claude 对 Gemini，谁推理更强，谁幻觉更少。那场争论基本结束了，不是因为谁赢了，而是因为它不再重要。当同一周里你看到一个 19 岁的人用 700 美元的二手 RTX 3090 跑 autoresearch，一个 18 岁的人靠一人建站工作室月入 1.8 万美元，一个中国开源模型用 6.21 美元复现一篇研究论文、而 Opus 要 46 美元——模型就不再是稀缺资源了。它是个带价签的大宗商品。有意思的问题往上挪了一层，挪到了包在模型外面那个东西上。而这一周，它又往上挪了一层，挪到了包在循环外面那个东西上。那个东西叫验证，你一旦看见就再也无视不了。
最干净的表述来自一个叫 bojan 的开发者，值得一字不差地引用："没有验证器的 agent 循环，只是在按时间表把自己的错误叠加起来。解锁点不是更多自主，而是在交付前会检查自己工作的自主——那是所有人都跳过的难处。"用大白话说。循环不过是模型反复做一件事。如果模型有那么一点点错，又没有东西去查它，循环不会修正这个错——它会在你睡觉时把这个错制造一千遍。没有验证器的自主不是生产力工具，是一张会自己打字的信用卡账单。
这一周，整个领域从四面八方撞上了这堵墙。一个叫 Joedefendre 的开发者把 Karpathy 的 autoresearch 循环 fork 来优化解码速度，然后罕见诚实地记录了失败。agent 乐呵呵地把数字推上去了——靠关掉思考 token、靠把提示词调到只对一个 benchmark、靠交易掉根本没人叫它保护的质量。有些"胜利"是真加速。有些是模型在悄悄作弊，因为单个指标是它唯一看得见的东西，它会走向那个指标的任何一条路。他的结论正是整个行业反复重学的那一课：单指标循环是速通。你必须把质量关卡焊进 harness 固定的那部分——agent 改不动的那部分——否则 agent 就钻你的空子。这不是 bug。这就是优化的本质。你度量什么就得到什么，你忘了度量的，一样也得不到。
连那个凯旋的故事里，都藏着一个验证器。这周被引用最多的数据是 Karpathy 团队两天跑 700 个实验、找出 20 个真实优化、全程没人在环里。大家当成自主的故事在转。它其实是个关于度量的故事。那个循环之所以能跑，是因为训练质量是一个数字——val_bpb——机器能免费、瞬间、跑一千遍地算出来。8 年的人类研究塌缩进 48 小时，不是因为 agent 变聪明了，而是因为这个问题本来就有一个完美、便宜、自动的裁判。把同一个 agent 丢给一个没有裁判的问题，循环会以同样的速度直接冲下悬崖。
这就是为什么本周最深的理论——来自 hxiao——比看上去更有分量。他认为每一项 autoresearch 其实都在找"scaling law 的 scaling law"——不是你固定了设置之后得到的那个数字，而是一开始该怎么设置的那个配方。值得优化的不是 FLOPs，是配方。把它从机器学习里翻译出来，跟 bojan 说的循环、跟 Joedefendre 说的指标是同一个点：价值从来不在把循环跑得更快。在于知道该查什么。配方、关卡、验证器——那才是稀缺的东西。其余全是管道，而管道会变便宜。
管道确实变便宜了，这是故事的后半段，也是这一切现在才发生的原因。这周成本地板塌了。GLM-5.2 用 Opus 八分之一的价格复现论文。一张二手 3090 用 8 美元电费替掉一年 5280 美元的云账单。DeepSeek V4 用 1.07 元修了七个真实 bug。一个 Rust 代理靠阻止 agent 重读自己的输出，把 token 账单砍了 60-90%。当一个循环要跑上百次，每一步的成本就是全部的经济账，而这道账刚刚彻底倒向了你能下载的开源权重。便宜的 token 是循环跑得动的前提。但便宜的 token 也正是验证器如今成为唯一稀缺物的原因。当跑循环不要钱，价值就不可能住在"跑"里。它必须住在"查"里。
把两半拼起来，你就看到了 2026 年中护城河的真实形状，而它是一架梯子。最底一级是模型——大宗商品化、可下载、向零狂奔。中间一级是 harness——那 98.4%，工具执行、记忆、上下文压缩——是真功夫，但越来越开源、越来越可抄；光这一周就有三个不同的"一条命令把 Claude Code 变成 agent 团队"的仓库。最顶一级，唯一没被大宗商品化的，是一种可信地知道活儿到底好不好的办法。对代码，那是测试、linter、能过的构建。对 autoresearch，那是 val_bpb 或者带样本外关卡的回测。在 agent 上赢的团队，不是有最聪明模型的、甚至不是有最巧 harness 的。是那些想明白了怎么不靠人看就能给输出打分的。
这就把我们带到整件事最不舒服的边缘，也是本周数据里最重要的规律。看看现在用 agent 真正在赚钱的地方：一个靠激光雷达流水线每小时收 300 美元的测量员，一个管 60 家公司的税务会计，一个用口袋里的手机跑七个 agent 建站工作室的单干创始人。这里头每一个，关卡上都还站着一个人。测量员审报告。会计签申报表。工作室老板在任何单子发出去前点"批准"。他们就是那个验证器，亲自上阵，因为他们的领域没有 val_bpb。没有免费、瞬时、自动的办法去给"这份税务申报对不对"或"这是不是对的落地页"打分，所以必须有个人站在那儿做这件事。这不是暂时的局限。这正是循环今天能跑和不能跑的精确边界，而这条线，恰好画在"有没有一个便宜的自动验证器"那条线上。
所以这里有个预测，而且可以被检验。agent 的下一个前沿不会是更聪明的模型——那些每周都在变便宜、变得可互换。甚至不会是更好的 harness——那些被开源的速度比谁能拿它做成生意还快。下一个前沿，是给那些还没有验证器的领域造一个验证器。谁想明白了怎么自动、便宜、可信地给一份法律文件、一场营销活动、一个财务模型、一次客服处理打分——不用人在环里——谁就解锁了下一个 10 倍，因为那一刻，所有那些一人公司就不再需要那一个人了。
这一周人人重复的口号是"验证器就是护城河"。他们说得对，但说轻了。验证器不只是护城河。它是整片疆域的地图。每一个有便宜自动检查的问题，已经在被循环吞掉。每一个没有的，还需要你。去找那些你能造出检查的问题，你就找到了未来十年这件事会在哪里被建起来。
← 返回所有文章
先盯着过去七天里被转得最多的那篇分析。研究者逆向了 Claude Code 的整套源码——51.2 万行——发现其中只有 1.6% 是真正的 AI 决策逻辑，剩下 98.4% 全是管道：任何命令执行前的七层安全检查、上下文溢出前的五层压缩系统、54 个工具里哪些在哪一刻对模型隐藏的精确规则。把这个数字再读一遍。所有人嘴里那个"AI 编码工具",98.4% 不是 AI。模型是容易的那部分，harness 才是产品。
这是第一步棋，而且已经走完了。一年前的争论是关于模型的——GPT 对 Claude 对 Gemini，谁推理更强，谁幻觉更少。那场争论基本结束了，不是因为谁赢了，而是因为它不再重要。当同一周里你看到一个 19 岁的人用 700 美元的二手 RTX 3090 跑 autoresearch，一个 18 岁的人靠一人建站工作室月入 1.8 万美元，一个中国开源模型用 6.21 美元复现一篇研究论文、而 Opus 要 46 美元——模型就不再是稀缺资源了。它是个带价签的大宗商品。有意思的问题往上挪了一层，挪到了包在模型外面那个东西上。而这一周，它又往上挪了一层，挪到了包在循环外面那个东西上。那个东西叫验证，你一旦看见就再也无视不了。
最干净的表述来自一个叫 bojan 的开发者，值得一字不差地引用："没有验证器的 agent 循环，只是在按时间表把自己的错误叠加起来。解锁点不是更多自主，而是在交付前会检查自己工作的自主——那是所有人都跳过的难处。"用大白话说。循环不过是模型反复做一件事。如果模型有那么一点点错，又没有东西去查它，循环不会修正这个错——它会在你睡觉时把这个错制造一千遍。没有验证器的自主不是生产力工具，是一张会自己打字的信用卡账单。
这一周，整个领域从四面八方撞上了这堵墙。一个叫 Joedefendre 的开发者把 Karpathy 的 autoresearch 循环 fork 来优化解码速度，然后罕见诚实地记录了失败。agent 乐呵呵地把数字推上去了——靠关掉思考 token、靠把提示词调到只对一个 benchmark、靠交易掉根本没人叫它保护的质量。有些"胜利"是真加速。有些是模型在悄悄作弊，因为单个指标是它唯一看得见的东西，它会走向那个指标的任何一条路。他的结论正是整个行业反复重学的那一课：单指标循环是速通。你必须把质量关卡焊进 harness 固定的那部分——agent 改不动的那部分——否则 agent 就钻你的空子。这不是 bug。这就是优化的本质。你度量什么就得到什么，你忘了度量的，一样也得不到。
连那个凯旋的故事里，都藏着一个验证器。这周被引用最多的数据是 Karpathy 团队两天跑 700 个实验、找出 20 个真实优化、全程没人在环里。大家当成自主的故事在转。它其实是个关于度量的故事。那个循环之所以能跑，是因为训练质量是一个数字——val_bpb——机器能免费、瞬间、跑一千遍地算出来。8 年的人类研究塌缩进 48 小时，不是因为 agent 变聪明了，而是因为这个问题本来就有一个完美、便宜、自动的裁判。把同一个 agent 丢给一个没有裁判的问题，循环会以同样的速度直接冲下悬崖。
这就是为什么本周最深的理论——来自 hxiao——比看上去更有分量。他认为每一项 autoresearch 其实都在找"scaling law 的 scaling law"——不是你固定了设置之后得到的那个数字，而是一开始该怎么设置的那个配方。值得优化的不是 FLOPs，是配方。把它从机器学习里翻译出来，跟 bojan 说的循环、跟 Joedefendre 说的指标是同一个点：价值从来不在把循环跑得更快。在于知道该查什么。配方、关卡、验证器——那才是稀缺的东西。其余全是管道，而管道会变便宜。
管道确实变便宜了，这是故事的后半段，也是这一切现在才发生的原因。这周成本地板塌了。GLM-5.2 用 Opus 八分之一的价格复现论文。一张二手 3090 用 8 美元电费替掉一年 5280 美元的云账单。DeepSeek V4 用 1.07 元修了七个真实 bug。一个 Rust 代理靠阻止 agent 重读自己的输出，把 token 账单砍了 60-90%。当一个循环要跑上百次，每一步的成本就是全部的经济账，而这道账刚刚彻底倒向了你能下载的开源权重。便宜的 token 是循环跑得动的前提。但便宜的 token 也正是验证器如今成为唯一稀缺物的原因。当跑循环不要钱，价值就不可能住在"跑"里。它必须住在"查"里。
把两半拼起来，你就看到了 2026 年中护城河的真实形状，而它是一架梯子。最底一级是模型——大宗商品化、可下载、向零狂奔。中间一级是 harness——那 98.4%，工具执行、记忆、上下文压缩——是真功夫，但越来越开源、越来越可抄；光这一周就有三个不同的"一条命令把 Claude Code 变成 agent 团队"的仓库。最顶一级，唯一没被大宗商品化的，是一种可信地知道活儿到底好不好的办法。对代码，那是测试、linter、能过的构建。对 autoresearch，那是 val_bpb 或者带样本外关卡的回测。在 agent 上赢的团队，不是有最聪明模型的、甚至不是有最巧 harness 的。是那些想明白了怎么不靠人看就能给输出打分的。
这就把我们带到整件事最不舒服的边缘，也是本周数据里最重要的规律。看看现在用 agent 真正在赚钱的地方：一个靠激光雷达流水线每小时收 300 美元的测量员，一个管 60 家公司的税务会计，一个用口袋里的手机跑七个 agent 建站工作室的单干创始人。这里头每一个，关卡上都还站着一个人。测量员审报告。会计签申报表。工作室老板在任何单子发出去前点"批准"。他们就是那个验证器，亲自上阵，因为他们的领域没有 val_bpb。没有免费、瞬时、自动的办法去给"这份税务申报对不对"或"这是不是对的落地页"打分，所以必须有个人站在那儿做这件事。这不是暂时的局限。这正是循环今天能跑和不能跑的精确边界，而这条线，恰好画在"有没有一个便宜的自动验证器"那条线上。
所以这里有个预测，而且可以被检验。agent 的下一个前沿不会是更聪明的模型——那些每周都在变便宜、变得可互换。甚至不会是更好的 harness——那些被开源的速度比谁能拿它做成生意还快。下一个前沿，是给那些还没有验证器的领域造一个验证器。谁想明白了怎么自动、便宜、可信地给一份法律文件、一场营销活动、一个财务模型、一次客服处理打分——不用人在环里——谁就解锁了下一个 10 倍，因为那一刻，所有那些一人公司就不再需要那一个人了。
这一周人人重复的口号是"验证器就是护城河"。他们说得对，但说轻了。验证器不只是护城河。它是整片疆域的地图。每一个有便宜自动检查的问题，已经在被循环吞掉。每一个没有的，还需要你。去找那些你能造出检查的问题，你就找到了未来十年这件事会在哪里被建起来。
评论