夜雨聆风进入正题前，先处理标题里的那个词。
"AI agent"眼下最流行的图景是这样的：以后不用打开任何应用，一个对话框全办了——订票、修图、记账、写代码，万事问它；入口只剩一个，流量只经一家，大模型厂商坐上当年 Google 的位置，一统江湖。
这个图景值得批评，而且值得批得重一点：它把一场"形态的革命"，偷换成了一场"入口的垄断"。
Google 当年确实靠一个框当了入口，但那个框成立的前提，是它交付的东西同质：不管问什么，给的都是一排链接，框的后面不需要住进任何场景，只需要一份索引。第一篇讲 ChatGPT 接过搜索的位置，讲的也是获取信息这件事——问答案，一个框可以。
办事不行。信息是同质的，能力是异质的。 订机票要读懂行程、舱位和退改签，修图要有画布和色彩空间，记账要连着账本和银行流水。每一件事都要求"住进那个场景"：要上下文，要领域知识，要那个领域自己的"错了怎么办"。这些东西，塞不进一个不住在任何场景里的框。把"信息入口"的历史，外推成"所有应用的入口"的未来，是这个叙事最大的偷换。
大模型厂商真正有机会坐的位置是 OS——供电的那一层。而 OS 的历史从来不是消灭应用，恰恰是应用的大爆发：Windows 之后，软件比 DOS 时代多了几个数量级；iOS 之后，App 又多了几个数量级。相信一个全能框会吃掉所有应用，约等于相信 Windows 发布之后，世上只剩一个软件。
至于技术圈狭义的 agent——大模型在循环里自己调工具、自己纠错——那是引擎盖底下的实现，如同事件循环之于图形软件。用户从来不为实现买单，用户买的是应用。
所以这个词该退休了。它眼下一边被厂商叙事绑架——听到 agent，想到的就是那个全能框；一边把产品经理的路指歪——要么去做第一千零一个全能框，要么以为入口已被预定、自己只配做插件。更诚实的名字是 AI 应用：入口是对话（最终是语音），底层是 AI，本质就是新一代应用。图形界面革命之后，并没有长出"GUI 软件"这个赛道，所有软件都长成了那样，剩下的名词只有"应用"；等对话式入口铺满，连"AI 应用"里的"AI"两个字都会磨掉，如同"彩电"的"彩"字，在黑白电视消失之后失去了意义。
词批完，标题的问题剩另一半："全能"错了，"对话框"这一半恰恰是对的，而且是必然——这份推导第二篇欠着，现在补。为省笔墨，下文继续用 agent 这个词，但只指"会动手的那部分能力"这个技术含义，不再背"一统江湖"的叙事。
第二篇结尾留了两样东西：四条破局的路，和一句只给了结论、没给推导的断言——"AI 产品的唯一正确形态就是贾维斯，下达指令优先用嘴、次选用手、绝不用眼"。四条路文末兑现，断言里错的那半句，中途修正。
先把一个岔口说清：第一篇说过，电视在"内容"这条轴上属于第一代——广播逻辑，一对多，观众只能选频道。但电视还有另一条轴：控制——人怎么指挥这台机器。在这条轴上，电视用几十年把整部交互史走完了，四代全齐。
第一代，旋钮长在机身上。 十二个台，换台的面板嵌在屏幕旁边；后来台多到二十来个，按键硬塞进去。这一代用户自带全部知识：知道有哪些台、知道想看的节目在哪个台、起身走过去拧。机器只负责最后一步——执行。
第二代，遥控器加数字键。 数字化让后端从十几路信号长成一个近乎不设上限的节目库——频道之外，还有回看和点播。承接这个量的，是一把 0 到 9 数字键加一整片功能键的遥控器，键帽密到要配说明书。用户免了起身，却背上了新功课：记频道号、认按键。这把遥控器，就是第二篇说的"按钮墙"：能力涨的速度，按钮追不上；地图密到没法读。"地图画不完"这件事，先在客厅里发生了一次。
第三代，键少了，菜单上屏。 如今盒子和智能电视的遥控器，主键只剩七个：开关、确定、四个方向、返回。功能没有变少，恰恰相反——功能多到干脆放弃用按键承载，整张地图从遥控器搬进了屏幕：节目单、分类、搜索，由系统实时画在眼前，用户拿方向键在上面走。剩下的七个键值得多看一眼：方向、确定、返回——制图退场，导航登场。这不是修辞，那七个键就是导航键。用户的负担同时轻了一层：频道号不用背了，从"回忆"降到"辨认"，认得出、选得中就行。
第四代正在发生：开口说。 "我想看 CCTV1"，指名频道；"我想看足球"，只报内容；"我想看昨晚那场的回放"，连"正在播"都不要求。三句话没有一句提到频道号或按键，表达反而比任何一代都丰富。打字的对话框是这一代的过渡形态，语音是它的底——客厅里没有人愿意用遥控器打字；未来只需要你用嘴来控制。
四代排在一起，规律只有一条：每换一代，机器就从用户脑子里多接管一层东西。
第一代到第二代，接管的是"位置"，用户不必走到机器跟前。第二代到第三代，接管的是"记忆"，频道号和按键布局交给屏幕上的菜单。第三代到第四代，接管的是最重的两层：领域知识——"哪个台在放足球"这种前置经验；操作知识——"遥控器怎么用"这种学习成本。这两层过去都是用户脑子里的计算：先在心里查出"足球在体育频道"，再把它翻译成频道号，再翻译成按键动作。语音这一代，翻译工序整个挪到了机器那一侧——用户说出口的第一句话，就是需求本身。所谓电视变聪明，说白了是机器开始替用户思考。
用户要学的东西，也一代比一代少：从背下来（频道号），到认出来（屏幕菜单），到说出来（直接讲需求）。规则每代都换，学习成本却单调下降，最后一代贴着零——说人话，不需要培训。
这三篇ai产品连载中，第一篇把人机关系的变化叫"从操作工具到委托下属"，第二篇把理想形态叫"贾维斯"。贾维斯的职业是管家，而管家的定义正是这句话：主人出需求，管家出办法。"想看足球"是需求；查哪个台在放、切过去、调回惯用的音量，是办法。需求归人，办法归机器——第二篇那句断言缺的推导，补在这里。顺带把边界也补上：贾维斯是斯塔克家的管家，不是全人类的管家，它管的只是那一栋房子。形态是管家，边界是房子——第二篇说的是形态，开头批的是没有边界。
上一篇我说未来的ai应用的标准有一个是”绝不用眼”，有人反驳说怎么可能，难道未来的应用是给盲人用的？
我可以确定的说，下指令的时候，用户是盲的。因为无非两种情况：
1、正常的通过流程是：下指令，确认执行。
2、正常的异常流程是：下指令，看到错，下更改指令，ai改错。
无论以上哪一种情况，下指令这个动作本身，用户可以失明。
还是拿这台“未来的语音电视”举例来说，用户说：“放2026年世界杯巴西对日本那场比赛。”用户发出指令后做什么？他做的是确认电视屏幕显示的对不对，不对的话他会叫。
照这么说，出路就是照抄一个语音框？不是。电视这条路走得顺，靠的是三样多数产品并不天生拥有的运气。
域窄。 电视只管"看什么"。没有人对遥控器说"帮我报税"，场景天然划好了边界，"不知道能说什么"的问题被上下文消化了大半。
错便宜。 换错台，按一下就回来，试错成本贴着零。用户敢随口说，是因为说错了不疼。
屏幕现成。 结果永远摆在眼前：说完一句话，成没成、对不对，一眼可见。
多数 AI 产品三样都缺：域开得比电视大得多，出错比换错台贵得多，输出还未必有一块现成的屏幕。而开头那个全能对话框，三样一样都拿不出：域无限大；错不起的事它也接，可逆性要靠"拥有那个系统的撤销键"才做得出来，一个外来的框拿不到别人家的撤销键；至于屏幕，每个领域的"半成品"长得都不一样，它一块也备不齐。一个框当不了所有应用的入口，结构上如此，与模型聪不聪明无关——开头那笔批评的证明，补在这里。反过来，每一个应用，都造得出自己的三样运气。
所以出路不是照抄形态，而是把这三样运气人工造出来，再补上两件电视没有明说的。落成产品动作是五件事，第二篇的四条路也落在里面。
第一件，缩窄域。 造的是"域窄"。别做万能裸框，把 AI 放进一个本来就有边界、有上下文的场景里：Cursor 住在代码库里，没人问它报税的事，上下文本身就是地图的第一笔。对应第二篇的第四条路——"别吹什么都会，改说我就是专门干这个的"，也是"没有全能框，只有应用"落到产品上的第一个动作。
第二件，可逆性打底，不可逆处交还方向盘。 造的是"错便宜"。会说话的 AI 说错，浪费几分钟；会动手的 agent 做错，订错的机票、删掉的文件、付出去的钱未必追得回来。
先把环境做成防儿童的：沙盒、预演、预览、撤销、可回退的提交，用户怎么试都不会真出事，边界在安全的试错里自己内化——这是第二篇第三条路"零风险试用期"的落地。碰到真正不可逆的操作，则要学自动驾驶：它的安全体系不是消灭不确定，而是管理不确定——置信度一低就脱离，把方向盘交还给驾驶员。agent 同理，"我不确定，我松手"必须是一个可信的信号，而交还的那一刻是视觉的：弹出确认、给出预览、把"我准备这么干"摆到用户眼前。电视又先演了一遍：免费内容随便换，一碰付费，"确认购买"的弹窗一定出现，等着遥控器上那个"确定"键。这条闸门还能预判 agent 落地的顺序：先铺"错了也便宜"的领域——草稿、整理、代码；最后才进"错不起"的领域——交易、医疗、付款。看的是可逆性，不是智商。
第三件，输出即地图。 造的是"屏幕现成"。终极形态不是裸对话框，而是一个驾驶舱：一块人和 AI 共同操作的画布——文档、表格、代码、设计稿；语言当方向盘，管意图和那些不好用手指点的高层指令；agent 在旁边主动干活。画布上那个可见的半成品，既是输出也是地图："能对它做什么"从它本身就读得出来，用户指着东西说话，不对着虚空许愿。第二篇里被对话框删掉的"广告职能"，由输出这一侧整体吸收。
第四件，做参谋长，不做精灵。 电视没有明说的第一件。角色表交代清楚：精灵 = 等一个措辞完美的愿望、措辞不准就按字面坑人的 AI；参谋长 = 从自己这一侧主动消除信息不对称的 agent。需求归了用户，可"要什么"本身，用户也常说不清——"随便放点好看的"怎么办？参谋长的办法是反过来问："英超直播，还是昨晚的集锦？"把 A、B、C 三条路和各自的代价摆出来，动手前把计划递过来等一个点头。模糊的需求，由 agent 磨清楚，不靠用户自学表达。 第二篇的头两条路——"主动开口介绍自己""反过来主导面试"——说的都是它。
第五件，让引擎自己画地图。 电视没有明说的第二件，EPG 早就示范过：屏幕上那张节目菜单不是印刷品，是系统按当下的内容实时渲染的。传统 GUI 的地图（按钮）和引擎（能力）由两拨人分开造，地图永远滞后，只好再外贴一层"建议气泡"去补。AI 的独门优势是地图和能力同源：那个能干活的模型，本可以把"此刻能干什么"直接渲染出来，像节目单一样随内容更新。工程上还偏前沿，方向一旦对了，"外贴提示"的尴尬从根上消失。
这条路上已经不缺同行者。这两年密集出现的陪伴机器人、对话式工具软件，走的大都是同一个路数：入口收成对话，底层交给 AI，屏幕留给结果。
利益相关，先交代：简切（semacut）是我们自己做的视频剪辑工具，也是这篇文章的试验田。按五件事对账：域天生就窄，只管剪视频；入口处有指引，第一句话就把"能说什么"递到用户手边，不让空白框空着；功能靠界面亮出来，不靠说明书；动手前有预览，动手后能回退，剪错了不心疼——教用户说指令的那部分过渡成本，也在被入口指引一点点吃掉。第五件，让引擎自己把地图画全，还在路上。按第二篇的标准，这份简历算不上完美，但递简历的方式，是文章说的那一种。
回看那张地图的搬家史：从机身面板，到密密麻麻的键盘，到屏幕里实时渲染的菜单，再到 agent 的肚子。搬了四次，地图一次都没有消失——到最后一代，它仍以节目单、预览、确认弹窗的形式留在屏幕上。这个系列反复撞见的，是同一件事：
• 想用对话删掉按钮 → 地图以"上下文与可见输出"的形式长了回来；
• 想用一个答案删掉那排列表 → 用户拿"同时问几个 AI"把列表装了回来；
• 想用自主 agent 删掉人的确认 → 确认以"预览与交还方向盘"的形式长了回来。
AI 没有删掉界面（GUI）。它想把界面从空间（一屏摆开的控件）搬进时间（一段先后展开的对话），而现实正逼着它把承重的部分搬回空间。
"未来没有 UI，只有对话"——这句流行的预言对了一半。交互的方向确实只有一个：机器逐层接管"怎么做"，直到用户手里只剩"要什么"。但终点不是一个沉默的、等人许愿的神，而是一个好下属：办法它来想，想好了亮出来给人看，不确定就交还方向盘，并且清楚自己会什么、不会什么，大大方方说出来。
回看本篇标题，对话是正确姿势，全能不是。等对话式入口铺满所有应用，"agent"会退回引擎盖底下，台面上剩下的仍是那个老名词——应用。一个个新时代的 AI 应用，各守各的域，各亮各的地图，各配各的管家。
（全系列完）
