从Codex更新看AI Agent未来：通用智能体正在崛起

从Codex更新看AI Agent未来：通用智能体正在崛起

AI Agent、Codex、Cloud Code、通用智能体、垂直智能体、Multi-Agent、MCP、ReAct Loop、强化学习、Minus

Codex客户端下载

Codex客户端下载地址：

https://codexdown.cn/

最近看到 Codex 再次更新了一批能力，包括数据分析、销售支持、投资研究、产品设计等多个方向。

原本已经非常疲惫，刚从外面回来，但看到这次更新后，还是决定把自己的想法整理出来。

因为这次更新，再一次验证了我在半年前就反复表达过的一个观点：

真正的未来不是无数垂直智能体，而是越来越强大的通用智能体。

当时很多人并不认可这个判断，甚至遭到过不少质疑。

但随着 OpenAI、Anthropic、Google 等厂商不断推进 Agent 能力，这个趋势正在变得越来越清晰。

今天就结合 Codex 的这次更新，聊聊我去年就坚持的几个判断。

目录

• 前言
• 为什么我认为编程 Agent 本质就是通用 Agent
• 垂直智能体最大的壁垒其实并不存在
• Skill 正在被高估
• Multi-Agent 的价值为什么在下降
• 为什么我一直看好 Minus
• 给 AI 从业者的两个建议
• 总结

前言

去年 11 月的时候，我曾经和很多朋友聊过一个观点：

Cloud Code、Codex 这类产品最终一定会从 Coding Agent 演变成 General Agent（通用智能体）。

当时很多人的认知还停留在：

• 写代码是写代码
• 做销售是做销售
• 数据分析是数据分析
• 产品设计是产品设计

似乎每个领域都需要一个独立 Agent。

但我的判断恰恰相反：

当模型足够强时，大多数工作最终会收敛到同一种 Agent 架构。

而今天 Codex 的更新，恰恰印证了这一点。

为什么我认为编程 Agent 本质就是通用 Agent

直到今天，很多技术从业者依然不认可这个观点。

但只要认真看过任何一个 Agent 框架源码，就会发现一个事实：

Coding Agent 和 General Agent 背后的技术几乎完全一致。

工具层完全通用

以常见 Coding Agent 为例：

工具能力

Read File Write File Edit File Execute Bash Search Browser Terminal

这些工具其实并不属于编程领域。

例如：

数据分析

读取CSV 执行Python 生成图表 输出报告

产品设计

读取需求文档 分析竞品 整理PRD 生成原型

投资研究

搜索资料 分析数据 输出结论

本质上依然是：

Read Write Search Execute

同样的工具组合。

Agent 的核心一直是 ReAct Loop

目前绝大多数 Agent 都遵循类似逻辑：

思考 ↓ 调用工具 ↓ 观察结果 ↓ 再次思考 ↓ 继续调用工具

即经典的：

Reason + Act

也就是大家熟悉的：

ReAct Loop

其流程如下：

很多人以为 Agent 框架存在某种神秘能力。

事实上并没有。

真正决定 Agent 上限的，一直是：

模型能力

而不是框架能力。

为什么 Coding Agent 正在变成通用 Agent

原因其实很简单。

过去强化学习主要集中在 Coding 场景。

因为代码结果天然可验证。

例如：

编译是否通过 测试是否通过 结果是否正确

因此 RL 更容易 Scale。

但近一年最大的变化是：

通用任务上的强化学习正在快速进步。

例如：

• 长任务执行
• 浏览器操作
• 文档处理
• 数据分析
• 商业研究

这些能力正在被不断强化。

所以很多人误以为：

Agent 框架变强了

实际上是：

模型变强了

Agent Framework 从一开始就已经 Ready。

真正缺的是大脑。

而现在，大脑正在快速升级。

垂直智能体最大的壁垒其实并不存在

我一直有个问题。

如果今天的大模型已经比绝大多数人更聪明。

那么：

垂直智能体 VS 通用智能体

最大的区别到底是什么？

我认为只有两个：

第一：工具

例如：

CRM系统 ERP系统 数据库 企业内部API

但 MCP 的出现已经解决了这个问题。

MCP = 标准化工具接入

工具正在变成公共能力。

因此：

工具 ≠ 壁垒

第二：提示词

很多垂直 Agent 的核心竞争力是 Prompt。

例如：

律师 Prompt 医生 Prompt 销售 Prompt 运营 Prompt

但这里有一个问题。

如果模型已经足够聪明。

那么：

写 Prompt 本身是不是也可以由模型完成？

答案显然是可以。

甚至很多团队的 Prompt：

本来就是模型写的

那么最终会出现什么情况？

Prompt ↓ 被模型优化 Prompt Engineering ↓ 被模型内化

这就是我认为：

大量垂直 Agent 护城河并没有想象中那么深。

Skill 正在被高估

这是我一直比较坚持的观点。

很多人认为：

Skill = 核心竞争力

但我觉得：

真正重要的 Skill 最终都会被模型吸收。

例如：

• 写代码
• 数据分析
• 文案创作
• 研究总结

这些高频能力一定会不断被模型内化。

而那些不会被模型内化的 Skill 呢？

往往又价值有限。

因此长期来看：

Skill ↓ 模型能力

正在发生融合。

Multi-Agent 的价值为什么在下降

这是目前依然存在争议的话题。

很多团队还在疯狂做：

Agent Team Multi-Agent Agent Society

但我一直持保留态度。

Multi-Agent 成立的前提

必须满足：

Agent之间能力差异足够大

例如：

律师Agent 程序员Agent 财务Agent 设计师Agent

各自拥有明显优势。

但问题来了。

随着模型越来越强。

Agent 之间的能力差距正在缩小。

最终会变成：

Agent A IQ 190 Agent B IQ 195 Agent C IQ 200

此时协作收益开始下降。

一个简单类比

假设有两个绝顶聪明的人。

你给他们：

• 不同教材
• 不同计算器
• 不同参考书

会对考试结果产生巨大差异吗？

答案大概率不会。

因为：

智力水平 >>> 工具差异

同样的逻辑也适用于 Agent。

未来主航道依然是：

模型越来越聪明

而不是：

Agent越来越多

为什么我一直看好 Minus

提到 Agent，就不得不提 Minus。

我一直是 Minus 的长期付费用户。

在我看来：

Minus 是行业里被严重低估的产品之一。

去年 6 月左右。

Minus 已经能够实现很多今天才被大规模讨论的能力：

• 自动执行任务
• 浏览网页
• 信息收集
• 长流程工作流
• 自动交付结果

甚至某些体验今天依然领先。

最让我认可的是交互设计

很多 AI 产品的问题是：

能力很强 体验很差

而 Minus 最大优势之一是：

能力 × 体验

同时在线。

从产品角度看。

这比单纯堆模型参数更难。

所以我一直认为：

对真正做出创新的团队，应该给予更多耐心。

行业需要的是：

尊重创新

而不是：

先否定 再嘲讽 最后跟随

给 AI 从业者的两个建议

建议一：远离低质量信息源

这些年参加过很多创新创业活动。

也听过很多所谓的大咖分享。

我的感受越来越强烈：

很多内容的信息密度极低。

甚至只是重复行业共识。

相比之下。

真正有价值的是：

一线 Builder

因为他们每天都在：

• 做产品
• 跑实验
• 调模型
• 接触用户

他们掌握的是第一手信息。

建议二：多做多看，少空想

AI 行业最大的特点就是：

变化速度极快

昨天正确的认知。

一个月后可能已经失效。

因此最重要的能力不是预测未来。

而是：

快速更新认知

而更新认知最好的方法永远是：

实践

形成这样一个循环：

实践 ↓ 获得反馈 ↓ 更新认知 ↓ 再次实践 ↓ 继续迭代

这才是成长最快的路径。

总结

Codex 这次更新，在我看来不仅仅是新增了几个功能。

更重要的是再次验证了一个趋势：

Agent 的未来不是越来越细分，而是越来越通用。

回顾这一年的发展：

很多人仍然在讨论：

哪个Agent更强

但我更关注的是：

模型还能变得多聪明

因为最终决定上限的，从来不是工具本身。

而是那个使用工具的大脑。

或许未来几年后再回头看：

真正改变行业的，不是某个垂直 Agent。

而是一个足够聪明、足够通用、能够完成绝大多数工作的超级 Agent。