Jediah Katz谈AI智能体架构：模型升级下的新机会

编辑点评 · AI 连续创业者视角（以下内容由 AI 提炼，观点归原作者；读完可不看原文）

Cursor前工程师Jediah Katz基于Harness开发经验指出：前沿模型已内化旧式编程技巧，但外部Harness仍负责任务开启、可靠性、权限安全与效率。原文未给具体营收数字。关键推断（C级）：Harness与模型能力存在数据飞轮效应，模型越强，工程重心越偏向编排与成本控制。对搞钱者意味着：纯Prompt套壳窗口期关闭，机会在构建可组合的AI基础设施或垂直领域智能体运维工具。

• 将事件订阅设计为可组合原语，解决Agent唤醒效率
• 集中记录临时行为补丁，建立失效监控与清理机制
• 提供Token成本控制与缓存方案作为增值服务
• 针对单一垂类（如法务/医疗）开发智能体运维工具

一、这是什么机会

面向企业级应用开发者，提供解决 AI 智能体（Agent）运行可靠性、权限安全及 Token 成本控制的“外部 Harness”（运行框架）解决方案。商业模式通常表现为 SaaS 订阅或企业级 API 授权，核心卖点是让 AI 在云端稳定、低成本地长时运行。

二、独立判断

值得做。Cursor 前工程师 Jediah Katz 明确指出，尽管模型会内化部分编程技巧，但保障智能体可用性的运行时、权限隔离和长时记忆协调仍由外部系统承担。纯提示词工程（Prompt）的窗口期已关闭，底层运行框架（Infrastructure）才是具备长期壁垒的生意。推断：能解决“让大部分智能体工作离开笔记本”这一痛点的基础设施项目，估值上限高于单纯的应用层套壳。

三、冷启动路径

第一步：开发一个针对单一垂类（如代码审查或法务合同初审）的“智能体运维工具”，重点解决临时行为补丁的监控与清理。成本量级：前期需投入 2-3 名资深后端工程师，云资源费用按 Token 消耗计量。周期：4-6 周上线 MVP，重点验证长时运行下的 Token 成本是否比直接调用模型降低 30% 以上。

四、最大风险与避坑

致命坑一：模型能力升级快于框架迭代。若新模型原生支持了原本框架提供的功能（如代码修复），框架价值将瞬间归零。应对：将框架设计为“可组合原语”，专注事件订阅与权限隔离等模型无法内化的基础层。坑二：运维复杂度失控。临时行为补丁（Hotfix）若未集中记录，会导致系统随时间推移变得不可预测。应对：建立遥测机制，自动识别并移除模型已不再需要的旧式护栏。

五、案例复盘（别人怎么做的）

• 架构分层：Cursor 团队将运行时基础设施与上下文/编排层分离，前沿模型已吸收旧式编辑技巧，框架转而聚焦云端执行与细分权限。
• 数据飞轮：Harness 先让困难任务可行，使用过程积累的训练经验反馈给模型，模型吸收能力后，工程重心再推向新边界。
• 事件订阅原语：设计可组合的“事件订阅”机制，解决智能体“何时被唤醒”的效率问题，替代过去通过多次 LLM 调用堆砌的响应方式。
• 补丁管理：集中记录临时行为补丁，并建立遥测系统，当发现模型原生支持该行为时，及时清理冗余代码，降低维护成本。
• 长时协调：构建长期协调器，向工作智能体派发任务，处理沟通、记忆存储以及“直接行动”还是“询问用户”的判断逻辑。

六、双轨可执行性

跨境：可行。针对海外 SaaS 开发者提供“AI 运维合规与成本控制”中间件，接入 Stripe 计费，解决跨境数据隐私与 Token 汇率痛点。国内：可行但受限。需避开纯代码场景（合规风险），转向企业内部的流程自动化（如财务审批、供应链调度），以私有化部署+年费模式切入，强调权限隔离与私有模型适配。

原文 · BestBlogs.dev - Featured：阅读原文 →

相关工具推荐（推广）：GLM Coding Plan — AI Coding Powered by G…