听播客的个人感受：从美国学术界出来的创业者给人的感觉是intelligent，从中国大厂出来的创业者给人的感觉是smart

神奇，前天刚思考过长期记忆与执行能力对于个人助手产品形态的影响，并且预测 GPTs 将迎来第二春，没想到今天就看到了 OpenAI 发布了 Workspace Agents 作为 GPTs的后继产品形态。openai.com/index/introducing-workspace-agents-in-chatgpt 之前思考记忆包含的隐私信息太多，难以公开，因而个性化助手分发平台的逻辑依然不成立。然后 OpenAI 的解法就是只做企业端共享的数字员工，暂时不做个人端助手的分发平台。

或许 AI助手的记忆，都应该是它自己的记忆，而不是对于用户的记忆。所有关于用户的记忆，都应该是它作为一个独立主体，与用户这个另一个独立主体交互后形成的他者印象。这样，如果一个用户拥有多个助手，他们可以有不同的记忆。

当年 GPTs 想通过系统提示词的区别来塑造不同的助手。但发现对于用户的帮助不大，绝大多数用户只是使用 ChatGPT 或者豆包这样一个系统默认的助手。需要加什么额外的限定，直接在用户的第一条消息说明即可。可以说 GPTs（以及当时国内跟风做的所谓的智能体） 是一个失败的产品功能。助手第一次尝试从统一走向个性化失败后，只能回到统一模式。这直到目前的 Claude Code、Claude Cowork、CodeX 以及 OpenClaw都是这样。

然而 OpenClaw 第一次引入了助手的日记作为记忆，使得助手第一次有了个人经历的积累与主体性。这为助手的个性化埋下了一颗种子。或许会让曾经失败的 GPTs 或者不同角色的智能体，在具备真正的自主性与行动力（是真 Agent 而非 Chatbot），并在引入长期记忆、个性化技能加载之后，迎来第二春。

但上述所说的依然是用户自己设定，自己使用。个性化助手的 UGC 与分发是否能成立，依然是个问号。如果个性化的关键在于记忆而非技能，而记忆包含的隐私信息又太多，难以公开。那么，想做“个性化助手分发平台”的逻辑就依然不成立。

当考虑到弱耦合的使用场景，比如个人助手或数字员工，而非软件工程或其他独立的复杂项目时。多个 Agent 以及每个 Agent 的独立的长期记忆与专属技能变得必要起来。这时，多 Agent 的设计重点就可以关于角色，而非组织了。但这个时候，可能不应该将其称为 Multi-Agent 系统，更应该称为多个独立 Agent 系统，因为多个 Agent 之间的交互不再重要。

所谓“道可道，非常道。名可名，非常名。”，意思是：可以用语言表达的道理，不是永恒不变的道理。可以被命名的概念，不是永恒的概念。

对应到今日 AI 领域：如果一个概念可以被 Token 化，那么它不是永恒的概念。如果一个道理可以用 Skill 文件来表达，那它也不是一个永恒不变的道理。

或者反过来理解，大多数经久不衰的道理与概念，都不能用有限的、简洁的文本来完全概括（数学与自然科学除外）。它依赖于人在实践（强化学习）中形成的不可言说的经验与直觉（或所谓“品味”？）。它依赖的是人脑中的神经网络。

这些都说明了是语言的局限、文本的局限，以及 Skill 文件的局限。

等到训练一个老专家垂域大模型，和像现在这样提取一个老专家的技能 skill 的成本一样低；且让通用大模型去调用垂域大模型的成本，和通用大模型调用 skill 的成本一样低的时候。

垂域大模型就成了。

为什么有了通用大模型和 Skill 文件，还需要垂类大模型？

第一，并非所有领域的数据都被训练到通用大模型里了。第二，并非所有的领域经验都能够被简化成 SOP 文本操作。

比如围棋，让通用大模型下围棋，或者给通用大模型一个 Skill 文件来下围棋，它都是不可能下过世界冠军的。

垂类模型有自己的不可替代之处。但其缺乏通用性的特点，让它看起来更像是一个工具。

只有被通用大模型调用，或以某种方式与通用大模型结合，才能够最大化地发挥自己的价值。

子曰：“君子不器。”

孔子说，君子无法被榨取成 skill。

GPT 模型的指令遵循特点非常奇怪。

对于一个长的流程性指令来说，它通常都很难严格按照规定的流程精密操作。相对来说，Claude 就会轻松很多。因而GPT适合单一目标、目标导向的任务，而非适合过程导向的任务。

另一方面，如果任务目标相对单一，但是达成目标的标准和要求相当多的话，它在满足各方面要求的角度上，是较为严格的。有时甚至可以说是教条的。这种场景下，Claude 与之相比会更加灵活。但并不是说这种场景下 Claude 就一定比 GPT 更好，这取决于任务的交付标准和我们描述的精确性。如果我们确实对于任务要求相当严格，且我们的描述是精确的。则Claude 的灵活就意味着不够严格和精确，这时GPT 模型更适合我们。但如果我们对于任务要求并不严格，我们的描述也相当随意，在Claude 能够满足我们的严格程度时，GPT 的严格就变成了负面的教条。

Harness Engineering：套束工程。
Agent Harness：Agent 套束。

“驾驭工程”给人的感觉是需要实时操控，这更像是 Copilot 时期的用户用法。

但是 Harness Engineering 更倾向于是给定一套约束，则 Agent 可以按照这套约束自行长期执行，因而“驾驭”这个词并不准确。

用“套束工程”这个词，一方面表达了这种只给定约束、不进行过多人工干预的思想；另一方面，也使得 Agent Harness 这个翻译能够用同样的中文翻译，且毫无违和感。