DeepSeek Super Agent 很热闹，但我认为 AI 已经进入瓶颈期
内容提要
作者认为DeepSeek Super Agent虽受关注但思路并不新颖，多Agent分工仍受上下文和需求理解限制。AI模型已进入阶段性瓶颈：扩大算力换突破的成本越来越高，资本泡沫也现破裂迹象。应用层产品如WorkBuddy虽易普及，却难长期保持优势。真正重要的是持续学习、发现问题，而非只依赖AI给出答案。
延伸解读
多Agent分工的工程价值与局限
DeepSeek Super Agent 通过 Router 分配任务、Worker 执行，试图解决人忙于切换会话的问题。但作者基于自身实践指出，多 Agent 系统仍受上下文长度和需求理解限制：指挥官若最初理解错需求，所有执行 Agent 都可能跟着犯错。这说明工程优化能提升可靠性，却未直接改变底层模型能力，对长期使用 Agent 的人来说思路并不新颖。
瓶颈不在能力停滞，而在突破成本
作者承认模型仍在进步，斯坦福《2026 AI Index》也显示高难度测试成绩显著提高。但他关心的不是分数，而是下一次重大突破的代价。过去依赖 Scaling Laws 扩大算力，如今同等能力成本快速下降，但开发前沿新能力仍昂贵。若无有效算力或训练方法创新，早期 ChatGPT 式惊喜可能更难出现。
资本退潮可能反过来制约技术进展
2026 年 10 月标普 500 信息技术板块下跌 6.8%，英伟达跌约 10%，CoreWeave、Nebius 跌幅更大。作者认为这反映投资者开始追问投入何时回本。若收入跟不上，融资变难，数据中心和算力建设可能放缓，进而影响下一代模型开发。这不是必然结果，但技术与资本相互制约的风险值得警惕。
应用普及不等于长期壁垒
WorkBuddy 桌面端月访问量达 8534 万次，对普通用户价值明显：从复制答案变为直接完成任务。但作者指出，其功能并非独有，其他厂商可接入不同模型提供相近体验。用户习惯和数据积累或成优势，但功能趋同后，免费和补贴无法消除模型调用成本，这类产品靠什么保持价值仍是问题。
Q&A
DeepSeek Super Agent 的主要设计思路是什么？
它安排一个 Router 负责接收消息、分配任务，多个 Worker 分别执行，并设计事件监听、任务记录等机制，以减少人需要操心的切换和检查工作。
作者为什么认为当前 AI 模型进入了瓶颈期？
作者并非认为 AI 不再变聪明，而是怀疑在当前主要依靠扩大计算规模的技术路线下，下一次重大突破正变得越来越昂贵、越来越难以预测；日常任务中升级前后的差别已不如早期明显。
多 Agent 分工在实际使用中会遇到哪些问题？
指挥官和执行会话都需要记住大量信息，对话变长后上下文不断压缩，AI 可能忘记要求或混淆任务信息；如果指挥官最初理解错需求，后续所有 Agent 都可能跟着犯错。
作者用什么方法缓解 Agent 长期运行中的上下文问题？
把可复用的工作规范整理成 Skill，采用渐进式披露，需要时才读取具体内容；对必须严格遵守的规则编写检查程序；长期任务定期保存关键结论和状态，必要时重建会话。
作者如何解读近期 AI 相关股票下跌？
作者认为这不只是普通股价调整，而是投资者开始重新衡量 AI 的成本与收益；若模型进步需要越来越大投入而收入跟不上，技术和资本可能相互制约，类似互联网泡沫后的估值修正。
WorkBuddy 为什么可能成功，又为什么难以长期保持优势？
它让过去只把 AI 当聊天工具的用户直接完成整理文件、做报表等任务，使用价值明显；但很多功能并非独有，其他厂商也能开发类似产品，功能趋同后原有优势会减弱。
作者为什么强调要持续学习陌生领域？
如果连概率、贝叶斯等基本概念都不知道，就很难想到去问相关问题，也难以判断 AI 的解释是否正确；限制我们的往往不是没有答案，而是不知道还有这样的问题。
