【AI Talk】12 对 Agent 严肃的公司一定会做自己的模型

不知道大家有没有听过这样一句话：“A company that’s serious about software should make its own hardware.”—— 对软件严肃的公司，一定会做自己的硬件。

乔布斯的这句话放在今天依然适用：iPhone和 iOS，Mac 和 macOS，再到底层的 M 系列芯片，在我看来都是这句话的精神延伸。华为实际上也在走这条路线，从手机到电脑再到车，从鸿蒙到海思，应用层和基础层的整合催生了人无我有的新产品（三折和大阔折是集中体现）。

而在这一轮 Agent 的浪潮中，这句话可以引申一下：“对 Agent 严肃的公司，一定会做自己的大模型。对大模型严肃的公司，一定会做自己的 Agent。”

甜蜜的毒药

随着模型能力越来越强，大模型对数据的需求也从文本到多模态，从静态知识到动态决策，从方案到执行。更大的数据需求如何满足？那就让全部的用户成为数据本身：公司用 Agent 蒸馏员工，基座大模型用 Agent 蒸馏公司。在这个大鱼吃小鱼，小鱼吃虾米的游戏中，大模型套壳是甜蜜的毒药，甜蜜在看起来无所不能，毒药在把自己的数据交出去。个人和公司独有的数据交完了，就像榨完汁的甘蔗，统一回收。

每个做 Agent 的公司都要回答一个问题：“你们的 Agent 和直接用 Claude Code 或者龙虾有啥区别。” 如果差别只是在于 skills，那么最好的办法就是开源吸引流量来起号。如果还带上了一个知识库，那么确实可以带上更多的领域知识，但很有可能大模型的下一个版本就会把这些数据占为己有。对于现在 2-3 个月迭代一个版本的大模型来说，这点时间差还不足以建立足够的竞争优势。

Agentic Model：把数据优势转为模型优势

真正将 Agent 规模化的公司，必须拥有对工具调用模型的高度定制能力。这种定制不一定是从头造模型，而是通过微调开源模型，并建立持续的数据闭环优化 token 效率，我称之为 ”Private Agentic Model“（下文简称 PAM）。这样做有两个显而易见的好处：一是单位 Token 的成本降低，二是完成任务所需的 Token 减少（时间和算力成本都降低）。还有一个隐藏的好处：把数据优势转化为差异化的模型优势。

实际上，一个 7B 型在经过高质量垂直数据微调后，在特定任务上可以轻松超越 200B 的通用模型，并且用户的感知会非常直观：一个详细精准，一个泛泛而谈。尤其是在和人或其他公司博弈产生的过程和结果数据，更是非常有价值，是花钱也买不到的数据。

大小还是小大

那么下一个问题来了：是大模型调用 PAM，还是 PAM 调用大模型？

维度	模式A：大模型调用 PAM（大→小）	模式B：PAM 调用大模型（小→大）
调用频率	每次任务都调用外部大模型（主控）	大部分简单任务只用 PAM，复杂时才调大模型
成本	高（外部大模型每次会话都参与）	低（多数 token 来自 PAM 推理）
延迟	相对高（外部 API 网络往返）	简单任务极快，复杂任务增加一次额外调用
PAM 能力要求	只需要专精于执行具体工具（格式转换、参数解析、代码运行）	需要具备规划、决策、自知之明、工具选择能力
训练难度	低（只需 SFT 教会调用固定几种工具）	中等（需要构造包含“拒绝”或“升级”决策的数据）
可解释性	高（外部大模型的思考链清晰可见）	中等（PAM 的内部决策可能难调试）
系统耦合度	松耦合（替换 PAM 不影响整体流程）	紧耦合（PAM 错误会影响整个任务）

没有标准答案，但一个符合工程直觉的方向是：PAM 作为主控，但支持“软升级”——当 PAM 输出的置信度低于阈值时，自动回退到外部大模型。这样就取了两种方案的优点，避开了两种方案的缺点。那么，代价是什么呢？代价是不容易做到，因为怎么把握”度“本身就是一个很难的事情。

我们通过 PAM，关键不是为了“藏住数据”，而是“藏住如何用数据做决策的独特方法”，这正是最难以逆向的部分。当然，PAM 同样可以被蒸馏，但持续保持 3-6 个月的领先，已经可以转化为市场优势，进而扩大领先优势。所以实际上百花齐放的应用场景，就对应不同公司的不同 PAM，背后是独特业务数据驱动的持续优化闭环，这是AI 原生的”业务模型“。

写在最后

以前我们说”纸上得来终觉浅，绝知此事要躬行”，现在则是”问遍模型终觉浅，绝知此事要躬行”。大模型的出现把几乎所有事情都变成了”知易行难“，做 Agent 不要停留在表层，要朝 PAM 的目标勇往直前。