【云栖观察】云栖大会不是答案，它是一张 AI 产业正在下注什么的地图

这次逛云栖大会，我最大的收获不是又记住了几个新模型、几家新公司，而是看展会的方法变了。

以前参加技术大会，容易默认几个判断：大厂重点讲的方向，大概率代表未来；台上反复出现的概念，大概率就是行业共识；一个产品已经被摆到展台上，似乎也意味着它已经足够成熟。见得多以后，又容易滑到另一个极端，觉得大会就是市场活动，展台就是广告，PPT 就是包装。

这两种看法都太省事。

展会当然有营销属性，但营销本身也是信息。一个厂商愿意把预算、产品经理、工程团队、销售团队和展位资源砸到一个方向上，至少说明两件事：它希望市场相信什么，以及它正在为什么问题做产品化尝试。

所以我现在更愿意把大型技术大会当成一个高密度的产业采样场。它不给答案，但给你样本、信号、反例，还有一张”行业正在为什么未来下注”的地图。

一、先把展会里的“热闹”拆成不同证据层级

这次我开始有意识地把一个技术方向拆成五个层级来看：

叙事层 → 产品层 → 生产层 → 业务层 → 收入层
（Narrative → Product → Production → Business → Revenue）

最上面是叙事层（Narrative）——厂商希望市场相信什么。比如智能体（Agent）会成为新的工作入口，企业需要 AI 原生（AI-native）架构，上下文（Context）会成为核心资产，多智能体会承担越来越复杂的工作。这些说法很重要，因为它们能告诉我们组织注意力和资本正在往哪里移动，但它们依然只是判断和下注。

往下一层是产品层（Product）——已经做出了什么可以展示、可以调用、可以交付的东西。展台上有完整界面、API、工作台、治理平台，说明某个方向已经从概念进入了产品化阶段。可”能演示”与”能长期稳定运行”之间仍然有很大距离。

再往下是生产层（Production）——产品真正进入客户流程，持续运行，开始碰到权限、数据、审计、恢复、成本、组织协作等现实问题，这时才算进入生产环境。

再往下是业务层（Business）——要继续追问：上线以后改变了什么？缩短了交付周期，提高了转化，降低了人工成本，增加了广告素材测试量，还是让一个原来无法完成的业务过程变得可执行？

最底下、也最实的一层是收入层（Revenue）——客户愿不愿意长期付钱，愿意为哪个结果付钱，续费发生在什么条件下。

这个框架的用处，是避免把不同证据混为一谈。展台能证明一个方向值得展示，论坛能证明厂商想强化某种认知，真实客户案例能提高生产层和业务层的可信度，持续收入才能验证收入层。

所以一个方向在大会上很热，并不能直接推出”现在应该投入”。

二、这次最明显的变化：模型之上正在长出越来越多层

前几年聊 AI，注意力基本都在模型上：参数规模、基准测试（Benchmark）、推理能力、价格、上下文窗口、图像质量、代码能力。

这次在现场，我明显感觉到重点在迁移。

模型仍然重要，但围绕模型之上的系统层明显变厚了。打个比方：前几年大家都在比发动机马力，现在马力够用了，竞争开始移到整车——底盘、变速箱、刹车、仪表盘、安全气囊、油耗管理。数据底座、模型接入、Token 治理、智能体运行时、沙箱、上下文、记忆、技能、浏览器操作、桌面操作、验证、可观测性、权限、审计、成本控制，越来越多能力被独立做成产品。

原因很直接：模型能回答问题，和模型能进入生产流程、可靠完成工作，中间隔着一整套工程系统。

如果你在展会上走一天，会看到五六个名字完全不同的产品，但它们其实在往同一个结构收敛。QwenWork 展示的是智能体在隔离环境里调用多种工具完成工作。Qoder 讲的是上下文、需求规范、测试框架、验证、记忆和多模型路由。阿里云生态合作厂商 TinyFish 做的是让智能体进入真实网页世界执行任务。WonderClip 把视频生产拆成脚本、分镜、素材、生成、审核、版本和批量生产。阿里云 OpenSearch 的智能体搜索，又把搜索继续向规划、推理、记忆、行动和评估延伸。

它们看起来分属完全不同的领域，底层的结构却在趋同：

上下文 → 规划 → 技能 → 执行 → 验证 → 记忆 → 业务结果
（Context → Planning → Skill → Execution → Verification → Memory → Business Outcome）

模型逐渐成为其中一个重要组件，产品价值则更多落在上层系统。

三、上下文（Context）正在从”输入材料”变成长期资产

Qoder 的现场分享里有一句话大意是：模型算力会变成大宗商品，真正的资产是上下文。

这句话当然有厂商立场，但点出了一个真实问题。模型能力越强、获取成本越低，决定一个智能体能不能长期工作的因素，就越落在”它到底知道什么”上。

说白了，模型可以随时换，但你公司的家底换不走——架构约束、历史决策、业务规矩、踩过的坑、客户的脾气。这些东西沉淀得越多，AI 就越好用。

一个成熟的软件项目里有架构约束、历史决策、模块依赖、代码规范、踩过的坑、上线记录。一个企业里有组织关系、权限、SOP、文档、群聊、业务规则、客户状态。一个品牌里有商品信息、视觉规范、历史素材、投放数据、渠道约束。

这些信息不会因为换了一个更强模型自动出现。

因此 Qoder 做代码仓库 Wiki（Repo Wiki）、记忆（Memory）、知识卡片（Knowledge Cards），QwenWork 强调企业级上下文（Enterprise Context），OpenSearch 强调长期记忆、任务记忆和上下文压缩。它们都在试图解决同一个问题：让智能体不必每一次都从零开始理解世界。

这也意味着过去很多团队喜欢积累的提示词库，在智能体时代长期价值可能没有想象中高。提示词更像一次任务的调用方式，真正可复利的是业务上下文、决策历史、验证结果、失败原因和可复用技能。

四、AI 产品的竞争单位开始从“一个功能”迁移到“完整工作”

WonderClip 给我的感受特别明显。

如果只看能力列表，很多功能并不新鲜：生成图片、生成视频、翻译、配音、替换素材、批量生产。单独拿出来，每一个功能都很容易被模型厂商、剪辑软件或其他 SaaS 逐步覆盖。

但它现场展示的产品结构已经在往更完整的生产系统走：

Upload the script → Review the breakdown → Prepare the assets → Generate in bulk

随后还有 Storyboard、Canvas、自定义技能、共享资产、团队协作、版本管理。产品把”生成”放回了工作流中间。

这对做 AI 应用有一个直接启发。

如果产品的核心还是”上传一个东西，AI 处理一下，下载结果”，下次模型升级就很容易压缩它的价值。更稳的方向，是占住用户原本要完成的一整件工作。

比如电商内容场景，单独的换商品、换背景、翻译、配音都很浅。再往上走一层，产品对象应该逐渐变成品牌（Brand）、单品（SKU）、活动（Campaign）、市场（Market）、创意策略（Creative Strategy）、素材变体（Variants）、分发渠道（Distribution）和投放效果（Performance）。生成只是执行器，真正的价值来自整个创意运营工作流（Creative Operations Workflow）。

五、智能体正在从”回答问题”走向”完成任务”

听阿里云 OpenSearch 的智能体搜索分享时，有一张演进图很有代表性。

第一代搜索：你输一个关键词，它给你十个链接，你自己找答案。
第二代搜索（生成式）：你问一个问题，它直接给你答案。
第三代搜索（智能体）：你说一个目标，它自己查资料、做判断、调用工具，最后给你一个行动结果。

三代搜索的差别，用一个例子就能说清：你想对比三家云厂商的企业方案，第一代给你官网链接，第二代给你一段总结，第三代直接给你一份做好的采购建议书。

搜索本身也在重新定位。它不再是终点，而是智能体获取外部信息的基础设施——一个研究型智能体会自动拆分问题、调用多个搜索源、交叉验证、形成中间结论，再去调用其他工具继续执行。

搜索没有消失，它开始被装进更大的任务闭环里。

六、企业 AI 的真正难题，开始进入组织层

大会里关于企业 AI 的技术问题讲得很多：数据、权限、安全、治理、模型接入、云架构、Agent 平台。

这些都重要。但听了几个企业案例后，我更关心另一个问题：

谁有动力真正使用它？

假设一个员工用了 AI，把原来 8 小时的工作压缩到 5 小时。省出来的 3 小时会发生什么？如果答案只是“再给他更多工作”，员工主动推动 AI 的动力很可能有限。

再比如，AI 团队的 KPI 如果是 Agent 上线数量和调用次数，它有动力不断增加功能；业务团队承担流程改造成本；IT 和安全团队承担出错风险；最终收入提升却无法清晰归因。这样的组织结构里，即使技术可用，落地也可能很慢。

企业 AI 不能只看架构，激励设计才是真正的天花板。

技术问题花钱能解决，组织问题花钱也不一定能解决。一个项目至少要问清楚六个问题：角色、考核指标、收益、成本、风险、决策权。谁获得收益，谁承担风险，谁有决策权，谁负责结果。

高德团队用 Qoder 知识引擎把百万行代码里的领域知识做成可召回资产后，任务一次性通过率从 37.3% 提升到了 61.5%——这个结果的背后，不只是工具上了，更是团队把”领域知识沉淀”这个事从可选项变成了硬指标。如果只是把工具扔给团队，没有人对”知识沉淀质量”负责，效果大概率打对折。

很多所谓”AI 落地问题”，最后都是组织设计问题。

七、最容易误导人的指标，往往是看起来最直观的指标

Qoder 的分享里提到一个观点：代码生成率是虚荣指标。

现场用不同阶段的 AI 代码生成占比作对比，同时指出软件交付周期并没有按同样比例缩短。这里的具体数字来自厂商案例，不能直接拿来当行业基准，但背后的逻辑成立。

AI 把写代码的成本压低以后，瓶颈会移动到需求、上下文、架构、评审、测试、集成、部署和验收。

换到业务场景里也是一样的道理。不要看”AI 生成了多少张图”，要看”营销做一场活动的物料从两周变三天了吗”。不要看”调用了多少次 AI”，要看”客服团队的人均接单量涨了吗？客户投诉少了吗？”代码生成率、Token 数、智能体数量、调用次数、图片生成量，都可能只是局部效率指标。真正重要的是端到端结果：交付周期有没有缩短，人工用时有没有下降，一次通过率有没有提高，每验收任务成本有没有下降，最终业务指标有没有变化。

这次大会给我提了个醒：别被”AI 做了多少”晃花眼，要看”整个系统因此改变了什么”。