与「Agentics」相关的搜索结果

Sonnet 5.5 发布了，这个模型很神奇：它在 Agentic coding 测试上的得分比 Opus 5.5 还要高 4 分。 定价上也非常便宜，每百万 token 输入输出的价格分别是 $2 和 $10，与 GPT-6 Sol 一样。而且它的运行速度相对于 Sonnet 5 快了 30%，Claude 官方表示成本也降低了 30%。 至于为什么它在 Agentic coding 上的表现跟 Opus 5.5 差不多甚至更高，可以看一下价格测试。 Sonnet 5.5 在 max 努力程度下，同样任务的花费金额比 Opus 5.5 还要高得多，快要持平甚至反超了，这可能就是它得分高的原因。 所以大家在用 Opus 5.5 或者 Sonnet 5.5 的时候千万别开 max：在一些复杂任务上，它有可能跑出非常贵的价格，几乎赶上 Claude Fable 5.1 了

[开源学习资源] AI Engineering from Scratch 59.8K ⭐️ 作者 @ghumare64 课程共 20 个阶段，以 Python 为主要编程语言，主张在导入任何框架之前，先用纯数学把每个算法手写一遍。 课程地址： 开源地址： 它和常见教程的本质区别 ？ 大多数 AI 教程是“API 驱动”的：装个库、调个接口、跑个 demo。这个项目反其道而行，每节课遵循固定的六段结构： Motto → Problem → Concept → Build It → Use It → Ship It 以 Phase 10 的一节课「Tokenizers: BPE, WordPiece, SentencePiece」 为例，这个格式是真实落地的，而且写作质量相当高： · Problem 部分不讲废话，直接从代价切入：“你的 LLM 不读英语，它读整数。分词器决定这些整数是承载意义还是浪费意义”，然后解释为什么 tokenization 不是预处理，它是架构的一部分（影响上下文窗口利用率、API 计费、推理速度）。 · Concept 部分用“三种失败的方案和一种胜出的方案”来讲演化逻辑：词级切分（词表爆炸、[UNK] 问题）→ 字符级切分（序列过长）→ 子词切分（BPE 的折中），并配上真实语料上 BPE 逐步合并的手工演算。 每节约 3000+ 词，带 Mermaid 图、可运行代码和测试。 另外两个设计值得强调： · 每节课产出一个可复用的 artifact，一个 prompt、一个 skill、一个 agent 或一个 MCP server。学完整个课程，你手里有 523 个可展示的作品，不是 523 个跑完就扔的 notebook。 · 强调“证据留存”：保留命令、退出码、输出，作为学习发生的证明。这明显吸收了工程实践中“可验证性”的思路。 # 课程结构：从线性代数到自主智能体集群 20 个阶段构成一条完整的上升曲线，咱们它分成五个大块来看： 基础层（Phase 0–2）：环境与工具链、数学基础（线性代数/概率/微积分）、经典机器学习。这是给基础不牢的读者铺的路。 深度学习与感知层（Phase 3–6）：神经网络核心、计算机视觉（一路讲到 NeRF、高斯泼溅、世界模型，这已经超出一般教程的覆盖范围）、NLP、语音。 生成与决策层（Phase 7–9）：Transformer 深挖、生成式 AI（GAN、扩散模型、flow matching）、强化学习。 LLM 层（Phase 10–12）：这是全课程的重心之一。Phase 10 的目录我逐条看过，它不只是“从零实现 GPT”这种常规内容，还包含了相当前沿的论文级主题：DeepSeek-V3 架构走读、DualPipe 并行策略、Native Sparse Attention（NSA）、多 token 预测、Jamba 的 SSM-Transformer 混合架构、 speculative decoding 等。Phase 11 转向应用侧（RAG、LoRA、MCP、可观测性），Phase 12 覆盖多模态（从 CLIP 到 computer-use agent）。 智能体层（Phase 13–16）：工具与协议（MCP、A2A、Agent Skills）、54 节课的 agent 工程、自主系统与安全、多智能体集群。这一层的分量很能说明项目的判断：它认为 AI 工程的重心正在从“训模型”转向“构建可靠协作的智能体”。 收尾（Phase 17–19）：生产基础设施、伦理与对齐、毕业设计。 # 生态与周边：不只是一个课程仓库 网站：带浏览器本地存储的学习进度追踪、术语表、课程目录和路线图。 六卷本书籍：课程内容由 CI（pandoc）自动构建成 EPUB/PDF，附在 GitHub Releases 上，课程即书，且随仓库持续更新。 Agent 导师模式：运行 npx skills add rohitg00/ai-engineering-from-scratch，可以把整个课程装进 Claude Code、Codex 等编码智能体，变成一个带分级测验（placement quiz）和个性化路径的交互式导师，学习进度写在 LEARNING.md 里。这是“用你正在学的工具来学”的巧妙闭环。 认证备考：5 条备考路径、67 节课、505 道练习题，覆盖 Anthropic 的 Claude 认证和 Agentic AI Foundation 的 MCPA。项目明确声明与这些考试机构无关联，只是独立的备考材料。 12 种语言的翻译（含中文），以及四条核心学习路径（构建与部署 AI 应用、软件工程基础、Agent 辅助工程、产品判断与交付）供不同目标的人选路。

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

阿里云开源「企业级 Agent 白皮书」 2026 年最新发布，是 2025 年 9 月「AI 原生应用架构白皮书」的升级续作。全书按 架构 → 构建 → 运行 → 治理 → 调优 的全生命周期组织，共 7 篇 30 章，由阿里云数十位一线工程师分工撰写，并纳入吉利、塔斯汀、MiniMax、哔哩哔哩、信永中和等外部企业案例。 它的写作动机很明确：过去一年市场重心已经从 “如何快速搭出一个 Agent” 转移到三个新挑战，工程化（从概率智能到可靠生产力）、规模化（从单点试验到智能基础设施）、组织化（从 Agent 孤岛到进入核心业务流程）。现有的框架文档和教程基本不回答这些问题，这本白皮书填补的正是这个空白。 开源地址 # 各篇核心内容 架构篇（1–2 章） 建立认知框架。给出 Agentic Application 的六个判定特征（以任务结果为中心、运行时决定部分执行路径、能作用于环境、维持跨请求状态、受确定性机制约束、可观测可评估）和成熟度四级模型（L1 辅助生成 → L2 受控自动化 → L3 Agentic Execution → L4 规模运营）。两个重要的解耦判断：用哪种形态取决于任务结构，处于哪级成熟度取决于治理完备程度；单 Agent / Long-Horizon / 多 Agent 是沿时间跨度和协作结构两个正交维度的扩展，不存在“必须升级到多 Agent”的路径。贯穿的原则是“最低充分架构”，为任务选择成本与风险可接受的最低复杂度。 构建篇（3–6 章） 是方法浓度最高的部分，按“范式—任务—信息—行动”还原构建过程： · 任务：Agent Loop 五阶段（Prepare→Model→Act→Observe→Verify）+ 十态任务状态机，要害是“消息历史不应是任务状态的唯一来源”；完成判定的核心原则是“模型只能申请完成，Harness 依据环境证据提交完成”，验证分五级并与风险匹配。 · 信息：Context 是动态“编译”而非静态字符串。本章的独创设计是 Context Manifest，每次调用记录上下文每个片段的来源、作用域、版本、信任级别、选中理由和内容哈希，使“模型看见了什么”变得可解释、可回放、可审计。信息被五分为 Context/State/Memory/Knowledge/Skill，其中 Memory（个人经验）与 Knowledge（组织内容）必须分列，因为治理责任不同，“放进同一个向量库会同时失去两类治理能力”。 · 行动：统一 Action Plane（意图→Schema 校验→身份绑定→策略决策→执行→观测），关键三分：“模型看见工具 ≠ Harness 注册了工具 ≠ 获得执行授权”。协议定位清晰：Function Calling 是模型-Harness 意图接口，MCP 是 Harness-能力提供方连接协议，A2A 面向拥有独立任务循环的远程 Agent，“协议选择由能力是否拥有独立任务循环决定，而非新旧或流行度”。 运行篇（7–12 章） 处理规模化后的工程问题，大量内容达到了分布式系统的专业深度：沙箱后端选型判据（容器/gVisor/MicroVM 按代码可信度与租户边界取舍）；状态外置后 Event Log / Checkpoint / 工作区快照三者不可互相替代，且“Durable Execution ≠ 外部动作恰好执行一次”；AI 网关对 LLM/MCP/Agent 三类流量按不同粒度治理，其中“严格预算需要原子预留而非阈值检查”的数学化分析（余额 100、两笔 80 的并发请求都会通过）是真实的并发工程细节；多 Agent 编排强调“最小充分共享”，共享的是上下文来源而非同一个 Context 窗口。 治理篇（13–16 章） 让自主运行的系统变得可信。可观测性的判据是“请求成功 ≠ 任务成功”；安全章同时把 Agent 当被攻击对象和行为主体来防护（身份是全章最扎实的部分：数字工牌、Token Exchange 权限收敛、On-Behalf-Of 且 Agent 权限 ≤ 用户权限）；资产管理把 Prompt/Skill/MCP/Agent 当作运行时依赖做注册与版本治理。第 16 章 Agent Simulation 是全书原创性最强的一章：Agent 行为之所以不可验证，是缺制度前提（角色无外部标准、失败无自然代价、身份不连续），模拟是当下唯一可做的事，本质是“用可靠 Harness 约束不可靠内核”。它甚至给出诚实的统计学提醒：n 次零违规的 95% 置信上界约为 3/n 而非零。 调优篇（17–24 章） 的组织原则是“归因决定方法”：先排除环境故障、再修 Harness、最后才动模型，“把本应由上下文或工具协议解决的问题当成模型不行，是代价最高的一类误判”。主线是数据飞轮：Trace→Trajectory→黄金数据集（输入/轨迹/结果/判据四要素）→Badcase 闭环→受控自进化（模型生成的改进一律是候选变更，须回流构建、过门禁、可回滚）。模型调优章对 SFT/Agentic RL/蒸馏的适用边界、奖励投机的三套机制分离（训练奖励、独立评测、系统硬约束）论述相当严谨，广引 DeepSeek-R1、Tulu 3、FrugalGPT 等外部工作。 总结篇（第 30 章） 是全书思想密度最高的总结。当企业同时运行多 Agent、多框架、多租户时，同样的工程要求在每个应用里被重复且不一致地实现，这本质上是缺一个共享的系统层。Agentic OS 被给出“窄定义 + 三条否定”：为 Agent 任务提供公共运行对象、能力接入、可强制边界与统一证据的系统层，它不持有任务语义、不是又一个框架、不必然改内核。能力下沉有三条判据（复用性 + 强制性或可验证性），九类管理对象（其中 Budget Lease 预算租约最易被忽略），并提出“自治上限由可撤销范围与可证明范围决定，而非模型能力”。 调研报告 的 1906 份问卷给出一个关键发现：已开发或开发中 Agent 的企业占 46%，但真正上生产的仅 18%；有评估体系的企业任务成功率是无评估者的约两倍，卡点不是模型能力，是 Harness 层的工程配套。这与全书立意互为印证。

如果 GPU : CPU 真走到 1 : 1，什么概念？ Agentic AI 新增的 CPU 可能直接吃掉相当于 今天全球 Server CPU 年出货量 40%+ 的规模。 太值得继续跟踪！！！ $ARM $INTC $AMD

Grok is pulling away as the dominant agentic trading harness on Coinbase for Agents Grok - 59.54% Custom CLI - 21.73% Claude - 13.37% Perplexity - 3.48% ChatGPT - 1.54% Claude Code - 0.35% Volume growth across spot, futures, and now, equities continues.

Jev 每 2 秒自动买卖，帮我赚了 3,000u+ 4 天近 20 亿美元涌进比特币， 我拿 1 万美元本金， 按一套规则跑了一遍， 扣掉手续费，账上多了 3,120 美元 Jev 负责快判断， Minara 负责翻证据来验证 🔗 我是这么跑的👇 #MinaraAI# #FinancialAI# #AgenticTrading#

高盛Rich Privorotsky：Muse只是起点，AI Agent真正要重写的是整个经济的“摩擦成本” 高盛One-Delta交易台负责人Rich Privorotsky现在关注的，已经不只是 $META 的Muse有多火。 他提出了一个更大的判断： Agentic AI正在开始消除整个经济体系里长期存在的“摩擦”，而这可能带来一次真正的生产率跃升，并形成结构性的去通胀力量。 这可能也是理解下一阶段AI行情最重要的一条线。 过去三年的AI牛市，市场主要交易的是： 训练模型 → GPU → HBM → 数据中心 → 网络 → 电力 而下一阶段，市场开始交易一个完全不同的问题： 当AI真正进入日常经济活动以后，它到底能够替人类省掉多少时间、成本和中间环节？ Muse真正改变的，不只是AI能力，而是“消费者惯性” 很多行业过去能够长期维持较高利润，并不完全因为它们的产品无法替代。 其中一个很重要的原因，是消费者嫌麻烦。 保险续费涨价了，你懒得重新比较几十家公司。 手机套餐贵了，你懒得转运营商。 酒店价格高了，你没有时间每天重新搜索。 订阅服务每个月继续扣钱，你甚至已经忘记自己还在付费。 退款需要打电话、发邮件、等待客服，很多人最后干脆放弃。 这些看似微不足道的事情，实际上构成了一个巨大的隐形经济： Consumer Inertia——消费者惯性。 过去消费者的时间有限，所以很多公司实际上可以从“麻烦”本身赚钱。 Muse这样的AI Agent正在攻击的，恰恰就是这种摩擦。 如果你的AI可以24小时替你比价、取消订阅、申请退款、重新谈账单、寻找更便宜的保险、比较酒店、订机票甚至完成支付，那么过去建立在消费者“不想折腾”之上的商业模式就可能受到压力。 AI最先消灭的，未必是某一个行业，而是“麻烦”本身。 为什么这可能带来结构性去通胀？ 想象一下，当未来几亿甚至几十亿消费者都拥有一个永远不会累、永远愿意比较价格的AI Agent，会发生什么？ 保险公司更难依赖客户懒得换公司维持高价格。 旅游平台必须证明自己的佣金真正创造价值。 长期不用的订阅可能被Agent自动取消。 零售商品的价格透明度进一步提高。 企业内部大量重复的行政、客服和后台流程也可能被自动化。 于是经济体系中大量长期存在的成本： 信息差 + 搜索成本 + 时间成本 + 人工成本 + 中间环节 都有可能被压缩。 这就是Privorotsky所说的生产率红利。 过去互联网降低的是信息传播成本。 移动互联网降低的是连接成本。 而Agentic AI下一步可能降低的是： 行动成本。 这可能比单纯推出一个更聪明的大模型，对整个经济的影响更加深远。 所以AI行情可能开始从“卖铲子”走向“生产率革命” 第一阶段的赢家其实非常容易理解。 $NVDA、$AMD、$TSM、$AVGO，以及HBM、网络、光通信、服务器、数据中心和电力基础设施。 因为无论最后哪一个AI模型胜出，都必须先购买算力。 但Agent时代真正有意思的地方，是AI创造的价值可能开始从基础设施向整个经济扩散。 企业可以减少后台人工成本。 客服效率提高。 营销变得更加精准。 库存管理改善。 软件开发周期缩短。 采购和供应链流程自动化。 消费者寻找商品和服务的成本下降。 当这些效率提升逐渐进入企业利润表以后，AI的赢家就不一定永远只集中在半导体。 第一阶段赚的是“建设AI”的钱。 第二阶段赚的可能是“使用AI提高生产率”的钱。 这两轮行情的受益公司可能完全不同。 CPU为什么突然成为Agentic AI的重要交易方向？ 这一点也值得特别关注。 过去生成式AI最重要的硬件交易是GPU，因为训练和大规模模型推理高度依赖GPU。 但Agent并不是简单回答一个问题。 它需要打开浏览器、运行操作系统、调用API、处理文件、管理数据库、执行代码、安排任务，甚至同时运行多个Sub-Agent。 这意味着Agent时代增加的不只是模型推理负载。 它还增加了大量传统计算工作负载。 所以市场近期开始重新关注CPU以及整个服务器基础设施。 如果未来不是几百万人偶尔问AI一个问题，而是几亿个Agent每天在后台连续工作几个小时，那么计算需求的结构本身都会发生变化。 这也是为什么现在不能再简单用： “AI = GPU” 来理解整个产业链。 未来更完整的公式可能是： AI Agent = GPU + CPU + Memory + Storage + Networking + Power Agent运行时间越长，需要调用的工具越多，整个数据中心被消耗的资源也就越多。 但市场现在仍然处于非常早期的定价阶段 目前指数很强，但市场宽度并不好。 大量资金依然高度集中在AI和少数大型科技公司。 所以现在看到的更像是三个阶段： 第一阶段：AI基础设施重新定价。 GPU、HBM、网络、数据中心、电力率先上涨。 第二阶段：Agent平台重新定价。 $META 的Muse只是最近最明显的案例之一。 第三阶段：整个经济的生产率重新定价。 如果Agent真正大规模进入企业和消费者生活，受益范围才可能从科技行业逐渐扩散到更广泛的权益市场。 而现在，我们可能刚刚站在第二阶段的入口。 这也是为什么高盛交易台对大盘仍然保持积极观察 Privorotsky的另一个核心观点是，目前市场并不是毫无风险。 季节性仍然存在。 实际利率仍然偏高。 地缘政治风险没有消失。 市场宽度也并不理想。 但另一方面，投资者对这些问题已经非常警惕，仓位和情绪本身并没有进入极端乐观状态。 因此他认为，市场仍存在进一步向上突破的空间。 这里真正值得注意的，不是简单地说“美股一定继续涨”。 而是： 如果Agentic AI开始被市场从一个科技产品故事，重新理解成一场生产率革命，那么它能够支撑的估值范围，就不一定只局限在几家AI芯片公司。 这可能才是下一轮行情真正值得观察的变化。 过去三年，我们一直在问： 谁能提供AI需要的算力？ 接下来市场可能开始问： 谁能够利用AI，把自己的收入增长得更快、成本降得更低、利润率做得更高？ 而再往后，还有一个更大的问题： 如果Muse只是第一批真正进入大众市场的Agent，当几十亿个AI Agent每天替人类工作、购物、谈价格、管理订阅和完成交易时，今天哪些行业看起来稳定的利润，其实只是建立在“人类嫌麻烦”这件事上？