都能说「I can」，但如何回答「why me」？|agent|why me|工作流

从生态说起

封面这张图，是我上周六参加 MiniMax 北京场 DevMeetup 的时候拍的，当时做了场分享《奇观时代：我们应该 build 什么》

所谓奇观时代，是「Agent 的能力越来越强，人人都能造奇观」，在生产力大爆发时代，大家都能说 I can，但越来越难回答 why me

很显然，我是文明玩家，也是p社玩家

那么，在这个时代，我们可以怎么做呢？我的想法是不执着于每次 build 出来的产品，而是通过 build 进入生态、获取认可，然后与行业一同发展

这些想法一直萦绕在心头，但却也不甚清晰：都能造东西，凭什么机会给你？

适逢上周 MiniMax 发布了视频模型 h3，很多国内外开发社区里的开发者、创作者已经有了丰富探索。这些惊艳的工作，一直在刺激着我的大脑皮层，想法才逐渐清晰了下来，也便记录于此

折腾的权利

对比与成品模型，开源给人们最大的权利，我能随意的「调用、魔改」并且没有很多诡异的约束，比如来生成个宝可梦

作为更多例证，H3 开源一周，B 站和 YouTube 上冒出来大量技术内容，各种语言都有，量化、LoRA 加速、工作流封装、显卡适配

也比如有 UP 做了一套加速 LoRA 和双时钟采样器，把原本二十步左右的采样压到四步出片

YouTube 上一个叫 Tensor Alchemist 的创作者，去测了 H3 在 8GB 显存上跑 FP8 和 INT8 的效果对比，评论区一堆人跟着复现，同一时间，也有许多韩语、日语、西班牙语的部署教程...技术无国籍的具像化了算是

而官方也在此间开了一场 AMA，要点如下，不赘述了：

恍惚间我想到了三年前 ControlNet，当时张吕敏还是斯坦福在读，一个人写了个方法，改了整个图像生成的工作流，后来的事情大家都知道了：ControlNet 成为了当时几乎每个图像生成工具的基础组件

当然，我不是在说天才的叙述，而是想表达：当一个东西足够开放，你根本不知道谁会在上面做出什么来

生产可以不是闭门造车，而是变成一个开放的、可叠加的过程

开放，是一种身位

前几天的时候，我在 AGI Bar 部署了两台 DGX Spark，给大家提供免费无限量的 Token，反响还算不错，引起了不少讨论

但网上也有一些声音问道：这怎么赚钱？是不是参了点不纯的？...我上面确实也提供了免费的老北京豆包

...这些质疑在我看来挺离谱的，这种东西就是提供一个由头让大家相聚，在一个生态环境，能一起把更多的事情做好

大家都说 Token 以后会变成水电网一样的基础设施，咱们把推理盒子理解成一个大点的路由器就好了...路由器需要什么商业模式？

而我只是负责把这些东西装起来，开了个内网接口而已，并没啥；

其实我还打算把 H3 部署上去，毕竟刚刚英伟达的 SANA 团队，主动给 H3 做了推理加速，在 DGX Spark 上实现了 3.92 倍加速，在 RTX 5090 上 4.52 倍

模型是开放的，所以所有人都有资格在上面 Build，每一个 Builder 都在扩大这个模型的生态边界

还有一点，就是合规

今天头部视频模型的质量都很好，但在自由度上都必须有很大的取舍，比如如果想生成宝可梦，各种闭源模型一定做不到，它会从风控的角度直接把内容卡掉...甚至宝可梦公司自己，也不能生成自己的版权内容

一路而来的人

回到本文标题：大家都能说 I can，但越来越难回答 why me

这个标题是来自于tianzhou，我觉得非常有道理

首先得承认：你哪有 Fable 聪明？哪有 GPT 聪明？...你和 xx 一样聪明

以前缺的是技能与执行，而现在许个愿就能有了，大家都是 Agent 干活，那么为什么是交给你的 Agent 干活？我觉这是一个必须要回答的问题

对此我是觉得：去做模型生产不出的东西，比如信任

模型可以生产代码、图像、视频，但它生产不了信任，大家都知道你是谁，知道你做过什么

之前有个段子“在 AI 领域，只要你学的足够慢，就啥也不用学了”

这话有玩笑的成分，但也不全是。过去几年，我们见过太多生态起起落落，比如 WebUI、GPTs、Stable Diffusion...等等等等，这些现在多半退了环境。幸灾乐祸的人说：我就说吧，这些东西没用

但你仔细去看今天那些在各领域做出真正成果的人，几乎全是当初在这些生态里折腾过的老手。为什么？手感这东西，真没法速成

你今天打开一个视频 Agent 工具，可能觉得也就那么回事：不就是对着一个 chatbot 的许愿吗？但如果你从 Stable Diffusion 那个时代就开始折腾，你会知道：一致性为什么难做，LoRA 到底是用来解决什么问题的，txt2img 和 img2img 的边界在哪里，为什么同样的提示词在不同模型上差那么多？

AI 使用工具这件事，很多人觉得：不就是个 MCP 吗？但我们是如何走到这一步的？

最早的时候，是有人发现可以诱导模型生成结构化文本，比如 XML。然后这些技巧被验证可行，接着被训进模型里，有了 function calling、json mode、struct output。再往后才有了 MCP、Skill、A2A 这些标准化的协议和框架