顶级AI源码泄露后,2026年我们该押什么?

不是工具，是组织

王靖华

中欧EMBA2022

美敦力中国基金管理合伙人

美敦力中国基金管理合伙人王靖华（中欧EMBA2022）最先看到的，是源码里藏着的一套组织结构。

他提到一个关键词，协调员模式（Coordinator Mode）。

源码里，一个“大Agent”充当“首席架构师”，负责拆解任务、分派工作、审计结果，再由多个“搬砖Agent”去具体执行。这像极了商学院里讲的组织行为学，有人定方向，有人干执行，有人做复核。

王靖华的判断很直接：单体Agent时代已经结束，“Agent矩阵”时代已经到来。

未来企业的竞争力，不在于你雇了多少会写Prompt的员工，而在于你构建了一套多高效的AI协同协议。最终，人类也将是Agent系统中的一环，并且极有可能是系统最先碰到的瓶颈。

这段话，把Agent从“工具位”推到了“组织位”。

壁垒在“做梦”里

过去大家以为，AI壁垒是算力，是参数量。现在被泄露源码照出来的，却是另外一层：记忆管理、任务拆解、超长路径规划、容错机制、上下文的高效调度。这些不如“千亿参数”性感，却决定了一个Agent到底是在演示中惊艳五分钟，还是能在生产环境里稳定干活。

王靖华特别看重两处设计。

第一处，是“做梦”机制（Dreaming）。不是简单把上下文窗口做大，而是在系统闲暇时，能自动梳理历史交互，剔除矛盾点，把零散观察蒸馏、合并成确定的事实，再写入项目根目录文档中。这个设计模仿的是人类睡眠时处理记忆的机制。

在王靖华看来，这标志着Agent正在从“瞬时智能”走向“累积智慧”。他说，谁能把记忆管理做成非线性、自生长的，谁就掌握了Agent的灵魂。

第二处，是Kairos能力（古希腊语，意为关键时刻）。这个模块尚未启用，却揭示了一个潜在的范式转移：未来，Agent不再是等你发问才动作的“召唤式工具”，而是成为永不离线、主动预判并适时补位的“常驻数字员工”。你下班了，它还在看日志、跑检查、补缺口、找风险。

王靖华把今天的行业变化概括为：AI正在跨越从副驾驶（Copilot）到自动驾驶（Autopilot）的临界点，从“在旁边递扳手”走向“接管方向盘”。

所以，投资逻辑也跟着变了。他给出的判断标准，从“看技术参数”转向“看落地闭环”：是否切入到业务流中，解决了真实痛点；是否具备长程记忆，成本可控；是否不容易被底层模型的迭代直接抹平……以及最关键的一点——把不确定的模型概率，驯化出确定的商业产出。

被低估的“工程鸿沟”

李世平

中欧EMBA2022

杭州大简智能创始人

前腾讯云AI技术专家

杭州大简智能创始人、前腾讯云AI技术专家李世平（中欧EMBA2022）的表达，很适合把这次事件，解释给非技术背景的管理者听。

他打了一个好懂的比方：大模型底座像研发部门，Agent更像生产制造部门。问题就在这里。我们往往高估研发，低估制造；同样，今天也很容易高估模型，低估Agent的工程实践能力。

Agent的典型架构如上图所示，一句话就能定义：能自主感知、思考、行动并完成目标的智能实体（李世平）

根据Claud Code泄露代码画出的架构图如上图所示，功能模块没有超出Agent的典型架构，但每个模块设计得极其复杂（李世平）

在李世平看来，Claude Code是“长上下文+复杂推理”的王者，在多文件、跨模块的工程任务上表现卓越。它的强，强在把那些用户看不见、却最磨人的工程环节，做深了。

考验功力的部分，是上下文管理。

大模型本身没有真正的长期记忆，只有有限的上下文窗口。李世平说，用户下达一次指令，Agent在后台平均要调用10次大模型。换句话说，Agent表面上像在聊一句话，背后却在持续组织一部上限为200万token的“长篇或超长篇小说”。能把这部“长篇小说”写得不乱、不漏、不崩，才是真壁垒。

郭润平

中欧EMBA2022

微软中国Azure解决方案部总经理

微软中国Azure解决方案部总经理郭润平（中欧EMBA2022）的基本判断是，类似Claude Code的AI编程产品，本质上不是简单的模型封装或工具集，而是一个复杂的Agent系统，至少包含推理层、执行层和编排层。其中的壁垒在于，能否把推理、执行、安全、反馈做成可靠闭环。

他举例，很多团队明明有不错的模型，却做不出同等体验，问题就出在低估了从“模型demo”到“生产系统”之间的工程鸿沟。

机会在“脏活累活”

把视线从Anthropic拉回中国团队，三位中欧EMBA校友都指向了同一个方向：机会不在“做一个看起来像Claude Code的东西”，而在做脏活累活，进深水区。

王靖华讲得最坚决：源码泄露之后，复刻一个“形似”的同质化工具会迅速变得廉价。中国团队的机会，在那些难而深的场景里——残酷的竞争环境、独特的合规要求、复杂的内网数据。这些地方，恰恰是通用工具难以深入的。

他由此会看好医疗研发、法律合规、复杂系统运维这类垂直领域深度专家型 Agent。而容易被高估的，是只接API、做漂亮UI、没有任何底层工程支架的提示词工程型公司。

李世平的判断是：大厂资金充裕、人才储备雄厚，往往会同时发力大模型底座和Agent；创业公司则更适合围绕具体应用场景，做垂直领域的Agent。不同的组织，打法本来就不一样。

郭润平建议大多数厂商优先在企业场景做“可控Agent”，同时保持对通用底座的技术跟踪和局部投入。原因很实际，企业客户最大的顾虑，不是“AI不够聪明”，而是“AI会不会失控”。

数据泄漏、合规违规、输出不可预测、责任无法追溯，才是拦住企业买单的门槛。谁能把AI行为做到可解释、可审计、可干预，谁就更接近商业价值。

先押工作流

把问题继续往前推一步，企业管理者的关切和焦虑在于，有限的资源，该怎么投？

郭润平的答案很明确：押工作流，其次是应用，模型更适合采取“合作而非自建”的策略。

这个判断之所以重要，是它一下子把企业AI投入的轻重缓急讲清楚了。

模型是技术密集、资本密集、赢家通吃的领域，绝大多数企业根本不该把有限资源砸进“重复造轮子”。应用当然重要，但AI应用更多是解决具体的业务痛点。

有最高战略价值的，是工作流——把多个AI模型、传统软件系统、人工环节串联起来，形成端到端的业务流程自动化。

一旦建立起成熟的工作流平台，企业可以快速将新的AI能力（新模型、新应用）集成进来，而无需每次从零搭建。同时，工作流沉淀了企业的业务逻辑与知识资产，形成了外部厂商难以模仿的护城河。

喂了数据，AI就懂业务了？

在企业落地这一层，李世平和郭润平给了两个看似不同、其实互补的提醒。

李世平强调的，是燃料。

他认为，未来衡量企业的竞争力，不仅看人类人才密度，也要看数字人才密度。企业给人类员工发薪酬福利，给数字员工发token。token将是AI时代企业的“生产燃料”。

郭润平关注的，则是地基。

他认为，2026年企业容易忽略、却关键的基础设施，是企业知识沉淀（知识图谱）和语义层。很多管理者误以为“把数据喂给AI，它自然就懂业务了”，其实不然。

企业的数据，往往散落在不同系统内、不同部门中、不同老员工的脑子里，还有“只可意会不可言传”的隐性知识。

没有知识图谱、没有统一语义层，Agent很容易成为一个“聪明的外行”——它会查资料、会做浅层的“文本匹配”和“模式识别”，但它不懂你这家公司的业务逻辑。

郭润平举例，智能采购Agent可能会仅凭“价格最低”就盲目下单，却不知道这家供应商上个月因为质量问题，被列入观察名单；也可能因为“库存为0”就紧急采购，却不知道有一批货正在运输途中，只是ERP更新滞后。

没有燃料，Agent干不了活；没有地基，Agent干的活不靠谱。

这两件事，恰恰都是今天很多企业容易忽略的。

3年窗口期

王靖华谈的是产业逻辑，李世平谈的是工程现实，郭润平谈的是落地条件。三条线索最后汇成一句话：决定胜负的，不只是“有没有最强模型”，更是能不能把模型嵌进组织、流程、知识和业务闭环里，变成稳定的组织能力。

模型可以买，能力要自己长。

郭润平有一句话，很适合做文章收尾：

现在是开始系统性布局AI协作能力的窗口期。过早投入（3年前），可能面临技术不成熟的风险；过晚进入（3年后），可能错失先发优势，且面临更高的组织变革阻力。

窗口期从来不是敲锣打鼓来的。

它往往都很安静。

安静到很多人以为，一切还来得及。

直到它关上。█

未来不是卷谁更AI，而是卷谁更像人 | 兰小欢对话张津剑

如何迎接AI重塑？美的与伊利各有心得

点击卡片，关注中欧EMBA