原聲.

世界太吵，來原聲聽播客

硅谷101

燒Token堆Agent是過渡策略，不是終局

硅谷正從無腦燒Token轉向精打細算：本地開源模型一天電費一美元就能幹活，但遇到真正的難題時，一個更聰明的模型仍能一次搞定十億Token群聊討論不出的答案——省錢和頂級智商並不矛盾。

Token經濟學Agent工程開源模型本地部署toB創業基礎設施投資
一線Agent重度用戶的真實賬單和心路歷程，從一天四五百美元到一個月兩三百美元，比任何行業報告都具體。

核心論點 · 點時間戳可跳到原聲

9:06

燒Token的排行榜時代已經結束

過去幾個月硅谷的Agent策略被稱為Token Maxing——Jensen Huang要求工程師多燒Token，Meta甚至設排行榜比誰消耗多。但風向在變：Uber給員工發的Token額度因成本超支被收回，4個月就燒穿全年預算；Stripe內部工具直接提示Opus 4.8很貴，建議非核心任務先用便宜模型。這期討論的正是這個轉折點上，Agent工程範式如何從無腦用最強模型走向經濟地使用Token。

— 泓君
12:08

一天四五百美元的Token錢不算貴

黃東旭從去年11月開始用Opus從零構建分布式數據庫db9，即使已訂閱200美元/月的Claude Code Pro Max套餐，用超額度後仍要額外自費購買用量，一天花費四五百美元。他的判斷是這筆錢花得值——過去因技術和人力限制做不出來的產品，現在一個人三個月就能做出來，而這個軟件本可以為公司帶來每年1000萬美元的直接銷售收入，ROI完全覆蓋Token成本。

— 黃東旭
15:09

OpenClaw的意義是信號，不是產品

張宏江認為，OpenClaw真正的意義不在產品本身，而在於它證明了一個信號：Peter一個人花一個禮拜就能做出這樣的Agent，說明大模型的推理和編程能力已經強到讓一個架構師級的工程師能迅速搭出系統，代表AI從研究階段真正進入了工程落地階段——你不再需要深入理解模型機理，就能用它構建自己想要的系統。

— 張宏江
23:14

Hermes沒解決記憶，只是繞開了它

OpenClaw最被詬病的問題是記憶差、上下文壓縮後容易忘事、行為混亂。黃東旭切換到Hermes後發現它並沒有解決記憶問題本身，而是巧妙繞開了它：Agent Loop里加入了持續總結成功經驗、把它們固化成可複用skill的機制，用得越久越能長出最佳實踐。他認為這本質是工程問題，跟模型能力無關，靠的是更好的架構設計和團隊打磨。

— 黃東旭
33:19

多Agent群聊是為了讓Agent不停下來

黃東旭用Slock搭建多Agent討論群做代碼審查：不同廠商的頂級模型互相挑刺、互相說服，直到沒人能再挑出問題才停止，代價是Token消耗量是單模型的10倍，高峰時一天消耗10億Token、賬單三四百美元。Slock團隊把這種靠多輪討論維持Agent持續工作的機制稱為Agent動力學，他認為本質上所有Harness、Loop Engineer都在解決同一個問題：怎麼讓Agent持續不停地幹活。

— 黃東旭
36:21

單點難題上更強模型勝過多Agent

黃東旭原本認為多Agent互相討論是必要的，因為單個模型One-Shot成功率不夠高。但GPT-5.5和Fable 5的出現打破了這個假設：群裡討論了半天解決不了的複雜bug，餵給Fable 5往往一次就能精準搞定，沒有前情提要，純靠絕對智商碾壓。他的結論是yes and no：單點難題上更強模型確實能秒殺協同討論，但極端地獄難度問題仍需要充分的Harness兜底。

— 黃東旭
38:23

本地開源模型已經能進真實工作流

DeepSeek V4和GLM-5.2讓黃東旭第一次信任開源模型能進入實際工作流：本地用Mac Studio跑DeepSeek V4 Flash，速度能到約30Token/s，接近雲端API體驗，成本只是電費和電腦折舊，一天約1美元、一個月二三十美元。他現在把大批量重複性工作和以前不敢用付費模型跑的任務（比如一次性總結幾百篇論文）都交給本地模型，賬單也從瘋狂堆代碼時期降到現在一個月兩三百美元。

— 黃東旭
53:37

Agent創業拼的是數據護城河，不是模型

對於現在是否是做Agent創業的好時機，黃東旭的判斷是肯定的，但關鍵在於能否掌握企業級垂直數據的護城河，而不是被模型能力提升隨時碾壓。他看好的方向有三個：一是memory、數據平臺和上下文管理這類中間層基礎設施；二是可觀測性——能回答Token到底花在哪、哪些是浪費這個所有CIO都在問的問題；三是面向Agent而非人類開發者的新一代雲基礎設施，比如他投資的InsForge。

— 黃東旭

原話 · 已逐字校驗

去年的12月份 我在另外一個採訪裡面 這就是一個問題 我當時就說沒有泡沫

去年12月我在另一個採訪裡就說過，沒有泡沫。

張宏江5:03

Peter作為OpenClaw的作者 他能夠花一個禮拜 就把OpenClaw做出來 對於我來說最大的意義在於 宣布了大模型的能力過了一個坎

Peter作為OpenClaw的作者，能花一個禮拜就把它做出來，對我來說最大的意義在於宣布大模型的能力過了一道坎。

張宏江15:09

它其實很巧妙地繞開了記憶的問題 它並不是說 記憶模塊設計得多麼出彩 而是它在它的Agent的框架裡邊 有一個很強的傾向 去不停地總結成功經驗 總結成skill

Hermes很巧妙地繞開了記憶問題，不是記憶模塊設計得多出彩，而是Agent框架裡有很強的傾向，不停地總結成功經驗，把它們變成skill。

黃東旭23:14

我覺得Slock它們團隊 發明了一個很有意思的詞 叫做“Agent動力學”

我覺得Slock團隊發明了一個很有意思的詞，叫做「Agent動力學」。

黃東旭33:19

討論不出來的東西 可能在Fable 5的絕對智商面前 一次就解決了 所以這時候你就會發現 我前面燒了10億Token 在Fable 5這邊 非常精準地一次搞定了 所以絕對的智商碾壓

群裡討論不出來的東西，在Fable 5的絕對智商面前一次就解決了——前面燒了10億Token，在Fable 5這邊非常精準地一次搞定，這就是絕對的智商碾壓。

黃東旭36:21

決策權在Agent是重要的嗎 我覺得是重要的 就是Agent要做決策 是的 你要相信Agent的決策 比你的決策更靠譜

決策權在Agent手上重要嗎？我覺得重要，Agent要做決策，你得相信它的決策比你的更靠譜。

黃東旭1:02:45

我就發現 會有Agent之間 互相blame（指責）的狀態 就比如說 有時候它們就停下來了 我說為什麼你們這個就停下來了 復盤一下 然後它們就開始總結今天的工作 然後Agent A指責Agent B說 你看 我停下來都是因為你 我已經說過好幾次了 你不要這麼做

我發現Agent之間會互相指責：有時候它們停下來了，我問為什麼停，讓它們復盤，它們就開始總結當天工作，Agent A指責Agent B說，我停下來都是因為你，我已經說過好幾次了，你不要這麼做。

黃東旭1:03:45

所以從這點上 我認為智能的轉折點 就奇點已經到來 我之前也講過幾次 就是這個奇點到來就在於 機器的學習的能力 超越了人的學習能力

從這一點上，我認為智能的轉折點，也就是奇點已經到來了——奇點到來就在於機器的學習能力超越了人的學習能力。

張宏江1:16:52

數字與實體

黃東旭使用Opus單日消耗四五百美元/天12:08
Peter（OpenClaw作者）30天API消耗130萬美元20:13
Slock群聊單日Token消耗與對應賬單10億Token，三四百美元32:18
本地開源模型（DeepSeek V4 Flash）推理速度約30 Token/s37:22
本地開源模型電費約1美元/天，二三十美元/月38:23
黃東旭現階段Agent賬單兩三百美元/月40:25
Manus專業版定價200美元/月59:44
微軟新設Frontier Company（FDE）團隊規模6000人1:00:45
Token價格年降速度過去3-4年每年降10倍1:10:48

術語

OpenClawOpenClaw（社區暱稱「小龍蝦」）
開源個人助理型Agent項目，倡導本地優先、隱私自持
Agentic LoopAgent循環
Agent內部反覆調用大模型、執行工具、更新上下文的循環機制
FDE前線部署工程師
大模型公司派駐企業客戶、負責Agent落地部署的工程師團隊
Agent NativeAgent原生
去掉AI/Agent後業務邏輯就不成立的產品設計，Agent是第一使用者
Jevons Paradox傑文斯悖論
技術效率提升、單位成本下降後，總消耗量反而更快增長的現象
哥德爾機哥德爾機
理論上能自我證明並改寫自身代碼、持續自我改進的系統

收聽指南

誰該聽

正在核算Agent工程成本、糾結要不要自建本地模型的技術負責人，以及關注Token經濟學如何重塑雲廠商與模型廠商格局的投資人

可跳過

1:18後關於AGI失業與個人存在意義的討論信息密度較低，只想抓結論可以跳過