Kimi Work：通用 Agent 战场从云端迁移到本地¶

Ch01.159 Kimi Work：通用 Agent 战场从云端迁移到本地¶

📊 Level ⭐⭐ | 39.2KB | entities/kimi-work-codex-vibe-working-paradigm-shift.md

Kimi Work：通用 Agent 战场从云端迁移到本地¶

"Vibe Coding 之后，下一个词是 Vibe Working。" —— 机器之心编辑部

Kimi Work 是月之暗面 K2.6 + Kimi Code Harness 搬到本地桌面的通用 Agent 产品（2026-06 Beta 发布）。与 OpenAI 把 Codex 并入 ChatGPT 同一时间发布，标志 "Vibe Working" 时代开启——AI Agent 主战场从写代码迁移到普通知识工作者的日常工作。

相关实体¶

• Schemaflow Agentic Database Sql Generation Openai Cookbook

→ 原文存档

• agivar 录屏教学桌面 agent：清华非十科技 大脑小脑双层架构 + jittor 推理引擎 + 2.3× 速度

一句话定位¶

"AI 长任务的真正挑战，不再是上下文窗口有多长，而是 Harness 搭建得好不好。"—— Harness 决定一切

三个关键事件¶

① OpenAI：Codex 周活 500 万，并入 ChatGPT¶

• 数据：Codex 周活用户已突破 500 万，桌面版用户自 2 月上线后翻了 6 倍多
• 增长最快群体：不是程序员，而是知识工作者（做报告 / 做表格 / 做 PPT 的"普通白领"）—— 以开发者三倍以上的速度涌入，占全部用户约 20%
• 决策：未来几周内，Codex 的核心能力直接并入 ChatGPT——把执行利器塞进 ChatGPT 高频入口，走规模渗透路线

② Anthropic 提前布局¶

• 2 月：推出面向金融、工程等场景的企业 Agent 计划
• 5 月：上线深度面向金融行业的 Agent 产品

③ Kimi 发布 Kimi Work（Beta）¶

• 官方自评："还是个 Baby"
• K2.6 模型参与共创，很快完成 Beta 版的开发与上线
• 核心定位："本地通用 Agent 模式"——Kimi 电脑客户端推出，面向更广泛的知识工作者
• 技术路径：Kimi Work 内核源自 Kimi Code Coding Agent——把 Harness 从程序员终端下放到通用桌面

5 大技术特性¶

① Harness 搬到用户电脑上（核心架构决策）¶

对比云端 Agent（Kimi 网页版 / OpenAI cloud sandbox / Google Project Mariner）： - 共同特点：在云端启动独立工作环境，帮用户把任务做完再交付结果 - 优势：安全隔离、易于部署 - 劣势：与用户真实工作环境的割裂——看不到本地文件、用不了用户账号、任务之间无记忆无上下文

Kimi Work 路线：Agent 住在本地、用你的环境、操作你的文件、带着你的登录状态去工作。理论上讲，本地 Agent 的边界 = 用户桌面工作的全部边界。

② Agent 集群：默认并行（最多 300 个分身）¶

核心理念："串行工作是人类受限于精力的默认设定，但 AI 天生就应该是并行的"。 - 测试版上线即支持 Agent 集群——最多可自主创建 300 个分身，同时处理多线程任务 - 一边跑数据、一边写材料、同时自动化处理流程

实测案例（新能源汽车融资调研）： - 4 个子 Agent（"研究员"）各自独立搜集信息，互不等待 - 完成后自动创建 2 个专职 Agent（数据清洗 + Excel 制作） - 整个过程不需要人工拆解任务、安排分工——它自己就把"项目管理"做掉了

③ Kimi WebBridge（浏览器桥接）¶

核心创新：直接操作用户当前正在使用的浏览器（包含用户自己的登录状态和习惯），而不是去新建一个空白的 AI 专用浏览器。

价值主张： - AI 直接"借用"你现有的浏览器环境——你登录过的账号、保存过的状态都直接成了它的资源 - 摩擦感降到最低 - 基本上你在浏览器上能做的 50% 的事情，它都能直接帮你操作

对比传统 AI 自动化： - 给 AI 一个专用沙盒浏览器（没账号没 Cookie）—— 安全但割裂 - 用户手动授权 + 配置 API——安全但摩擦 - WebBridge 思路：借用现有浏览器环境，摩擦感最低

④ 内置专业金融数据源¶

出厂自带：同花顺、天眼查、世界银行经济数据库等权威环境 - 金融人士无需再去头疼如何购买和配置各种 API——开箱即用 - 真实数据获取和处理流程（20 条工具调用 + 20 条命令），不是换说法的联网搜索

测试案例（英伟达股价分析）： - 不去联网搜索现成分析文章 - 真正调用数据源，20 个工具 / 20 条命令 - 11 页完整分析报告（股价走势 / 累计收益率 / 波动率分析）

⑤ "全部允许" 模式（类似 --dangerously-skip-permissions）¶

• 用户只需指定一个具体的项目文件夹，选择"全部允许"即可
• Kimi 官方主张"足够安全，并不会超出文件夹行事"
• 建议：关键目录仍用"请求权限"模式

5 大测试场景实测¶

30 位天才演讲稿任务的关键考验："长程连贯性"——前面选了哪 30 个人、每个人确立了什么风格基调，后面的撰写必须和这些设定保持一致。50 分钟、跨越数十个子任务，Kimi Work 没有出现前后矛盾，超时后选择继续而不是放弃。

长程连贯性的工程细节¶

莫扎特演讲稿超时 → 自动重启 → 断点续传： - 任务失败后自动重新启动 - 从断点继续完成后续内容（不是从头再来） - 进度不丢失

对 Beta 版的评价：在长达 50 分钟、跨越数十个子任务的执行链条里，Kimi Work 没有出现前后矛盾，也没有在超时后选择放弃——对于一个刚发布的 Beta 版产品来说，已经相当能打。

Vibe Coding → Vibe Working 范式转移¶

"Vibe Coding 让不懂编程的人开始用 AI 写代码。Vibe Working 想做的是让不懂技术的人开始用 AI 完成知识工作。"

"两者的核心逻辑是一样的：把执行权交给 AI，把判断权留给人。"

两条路： - OpenAI：把 Codex 这个执行利器并进 ChatGPT 这个高频入口 → 规模渗透路线 - Kimi：本地 Agent 住在桌面上 → 深度嵌入路线

"两条路都在通向同一个地方：一个 AI 真正参与知识工作日常流程的未来。那个未来，比大多数人预想的，要来得要早一些。"

模型公司在通用 Agent 上的天然优势¶

"只有同时掌握模型能力和 Agent 运行环境的公司，才能做到两者的深度协同：模型知道什么时候该调用什么工具，Harness 知道模型需要什么样的上下文。这种协同是外部集成商很难复制的。"

Kimi 路径（不是临时起意）： - 2025-07：万亿参数开源模型 Kimi K2——国内最早一批将 Agentic Coding、工具调用和自主任务执行能力作为核心目标打造的基础模型之一 - 2025-09：内测 Agent 模式（代号"OK Computer"） - 2026-06：Kimi Work 发布——这条技术路径在桌面端的自然延伸

Kimi Work 的局限（官方自评）¶

• 任务失败时的恢复机制还需打磨
• 长时任务的中断与恢复还需完善
• 用户意图的准确理解还需提升
• "还是个 Baby"——Beta 版自评

迭代速度：「Kimi Work 正以一天 N 版的速度迭代中」——发布本身不是表明产品多完善，而是这个方向上的竞争已经进入了一个新的速度节奏。

核心断言¶

"AI 长任务的真正挑战，不再是上下文窗口有多长，而是 Harness 搭建得好不好。"

"Vibe Coding 之后，下一个词是 Vibe Working。"

与现有 wiki 实体的关系¶

vs wow-harness v3¶

• v3 = 跨 session 事件时间线 + 概念图（协议层治理）
• Kimi Work = Harness 搬到本地桌面（运行环境层变革）
• 共同点：都在解决"AI Agent 如何与真实工作环境对接"问题

vs PilotDeck¶

• PilotDeck = WorkSpace + Always-on + Dream 模式（多项目隔离）
• Kimi Work = 本地桌面 + 用户账号 + 真实文件（单桌面全场景）
• 共同点：都强调"AI 套上家"的工程范式

vs Agent Harness 架构¶

• 7 层 harness 模型是抽象框架
• Kimi Work + WebBridge 是具体落地实现
• 文章强化："Harness 决定一切"——比模型能力重要

vs Rein¶

• Rein = 4 模块 + 5 类型边界（代码层架构）
• Kimi Work = Harness 从云端到本地（部署层架构）
• 共同点：都在"防止上帝文件 / 防止环境割裂"层面做工程化

vs Codex 6 职位插件¶

• 之前 Codex 还在"加插件拓展能力"
• 现在 OpenAI 直接把 Codex 并入 ChatGPT——赛道战略转向

启示¶

1. Vibe Coding → Vibe Working 范式转移 —— AI Agent 主战场从代码迁移到知识工作（Codex 周活 500 万中白领增速 3 倍于开发者）
2. 通用 Agent 战场从云端迁移到本地 —— 云端沙盒浏览器 vs 本地借用用户账号（WebBridge 思路胜出）
3. 模型公司 + 自家 Harness = 不可复制的协同 —— 同时掌握模型 + Agent 运行环境的公司有天然优势
4. Agent 集群是默认而非开关 —— AI 天生并行（最多 300 个分身）
5. 本地 Agent 边界 = 桌面工作全部边界 —— 文件、账号、状态、应用都成为可调用资源
6. 金融数据源是"开箱即用"分水岭 —— 内置数据管道 vs 联网搜索摘抄，差别巨大
7. "一天 N 版"是 AI Agent 新节奏 —— Beta 版不再"打磨完美才发布"，速度胜过完整
8. Harness > 上下文窗口 —— AI 长任务的真正挑战是 Harness 搭建质量

局限 / 风险¶

• Kimi Work 是 Beta 版，任务恢复 / 中断恢复 / 意图理解都还在打磨
• "全部允许"模式（类似 --dangerously-skip-permissions）有潜在风险——用户需主动限制到具体文件夹
• WebBridge 借用登录状态是双刃剑——便利性 vs 账号安全责任边界
• 300 个 Agent 并行的成本 / 限速 / 沙箱问题未在文章中详细披露
• Codex 500 万周活 / 桌面版 6 倍数据来自 OpenAI 自报，缺第三方验证

相关对照¶

• wow-harness v3 —— 协议层治理
• PilotDeck —— 多项目隔离
• Agent Harness 架构 —— 7 层 harness 模型
• Rein —— 4 模块代码架构
• Agent Harness 上下文管理 —— 工作集视角
• Karpathy Vibe Coding → Agentic Engineering —— Vibe Coding 原始定义

→ 原文存档

第二来源补充：通用 Agent 一定来自模型公司¶

"只有同时掌握模型能力和 Agent 运行环境的公司，才能做到两者的深度协同：模型知道什么时候该调用什么工具，Harness 知道模型需要什么样的上下文。这种协同是外部集成商很难复制的。"

Kimi Work 的自指证据 — 5 万行 / 92% / 一周¶

官方宣称 Kimi Work 的 Beta 版在一周内完成开发： - co-author = K2.6（Kimi 自己的模型） - 整个项目累计产出约 5 万行有效代码 - 92% 以上由 Kimi Code 自主生成 - 产品本身就在证明 Agent 的能力 - 今天很多 Agent 产品的开发和迭代方式：Anthropic 用 Claude Code 开发 Claude Code，OpenAI 用 codex 开发 codex - 某种意义上，Agent 在自我迭代和进化

Kimi 一年的 Agent 积累路径¶

Kimi 从 2025 年 7 月起做 Agent 模型的连贯路径： - 2025-07：发布万亿参数开源模型 K2（国内最早一批将 Agentic Coding / 工具调用 / 自主任务执行能力作为核心目标的基础模型） - 2025-09：内测 Agent 模式（代号"OK Computer"） - 2026-06：Kimi Work 发布 — 技术路径在桌面端的自然延伸 - 几乎一年的 Agent 产品经验积累 — 这是模型公司的结构性优势

"能并行的，就不要串行" 投研场景¶

典型场景：一个投研分析师需要追踪 20 家公司的最新财报数据，交叉比对行业趋势，最终产出研究报告

• 过去：一天甚至几天
• Kimi Work：Agent 同时拆出多个分身
• 一边抓取财报
• 一边整理行业数据
• 一边起草报告框架
• 分析师角色从埋头执行变成审阅和判断

核心理念：AI 没必要沿着人类的串行工作习惯走。复杂任务可被拆成多个工作流同时推进（K2.5 模型就开始打磨的能力）。

赛博禅心测试：Kimi Work 抓取 887 篇文章¶

测试任务：抓取公众号"赛博禅心"后台全部 887 篇文章的数据（发布日期 / 标题 / 阅读数 / 点赞数 / 在看数 / 分享数），做一个可视化页面。

对比： - Claude Code（之前做过）：高铁上半个多小时，能跑通但更复杂，得稍微懂前端和数据处理 - Kimi Work（新做法）： - 接到任务后自己打开浏览器 - 发现数据动态加载 - 先尝试接口获取（发现信息不全） - 改为模拟人类逐页浏览 - 自主定位页面元素 - 逐条抓取数据 - 不需要用户写一行代码，也不需懂页面结构 - 最终抓完 887 篇全量数据 + 自动生成可交互数据看板

核心金句：Agent 要成为工作工具，就必须进入用户已经在使用的工具环境。

"最好的通用 Agent 一定来自模型公司" 论断¶

"通用 Agent 产品的质量，取决于模型能力和 Harness 之间的深度协同。Agent 在真实环境里连续完成任务，每一步的成功率、容错能力、上下文保持、工具调用的准确性，都需要模型和 Harness 联合优化。第三方开发者可以调用 API，但无法调整模型与环境之间的配合方式。一方模型公司可以同时优化两端，模型更懂环境，环境更适配模型。"

关键证据链： - Claude Code 每次升级，第三方模型的适配可能就要调整一次 - GPT-5.5 发布后，Codex 能力获得飞速提升（同源模型升级带动 harness 提升） - DeepSeek 开始招人做自己的 Agent（反向证据：模型公司意识到必须做 harness）

结论：想让自家模型发挥最大能力，一个适配自己的 harness 架构，对于模型公司来说也是必不可少的。

国内通用 Agent 竞争格局¶

视角拉远： - Kimi Work = 月之暗面 通用 Agent 路线 - 豆包：即将上线付费（字节把 Agent 能力从免费试探推向正式产品化） - MiniMax Code：在路上（从 Coding Agent 切入的路径和 Kimi 类似）

2026 H2 最重要的方向转变： - 过去两年：国内基模公司竞争主要在模型能力层面（跑分 / 参数 / 上下文长度 / 推理速度） - 2026 H2 开始：转向真实知识工作场景 — 谁能持续运转 + 持续交付结果 - 这些是基础设施，不是产品；真正的产品竞争发生在真实工作场景里

核心断言：真正的模型即产品，不止取决于模型能力，还要看在模型之上，能交付出什么样的产品。

第二来源金句¶

• "能并行的，就不要串行"
• "Kimi Work 是用 Kimi Code 写的"（自指证据）
• "Agent 要成为工作工具，就必须进入用户已经在使用的工具环境"
• "只有同时掌握模型能力和 Agent 运行环境的公司，才能做到两者的深度协同"
• "Claude Code 每次升级，第三方模型的适配可能就要调整一次"
• "GPT-5.5 发布后，Codex 的能力获得飞速提升"
• "真正的模型即产品，不止取决于模型能力"
• 基模公司的下一场仗，在知识工作场景里

深度分析¶

1. "Harness 搬到桌面"重构了 Agent 的能力边界¶

云端沙盒 Agent 的本质是一个任务托管环境——它与用户的桌面环境完全隔离，擅长处理"给定输入 → 产出一个结果"的独立任务。但这种架构天然存在一个边界：它无法感知用户的文件体系、无法使用用户的账号登录状态、无法在多个任务之间维持跨session的上下文积累。这意味着云端Agent适合执行离散的、一次性的任务，而不适合作为"日常工作流的一部分"嵌入知识工作。

Kimi Work 把 Harness 搬到本地桌面，实际上是把 Agent 从"任务托管商"变成了"桌面协作者"。 当 Agent 住在用户的桌面环境里，它的可用工具集从"AI专用工具集"扩展到了"用户在桌面上能用的一切"——本地文件、浏览器标签页、已登录的SaaS账号、专业数据接口。这意味着 Agent 的能力天花板不再是模型能力，而是用户桌面工作的全部边界。

这一架构决策的战略意义在于：它选择了深度嵌入而非规模渗透。OpenAI 把 Codex 并入 ChatGPT，是把 AI 送进已有高频入口；Kimi 把 Agent 搬到桌面，是让 AI 成为用户桌面环境的"原生成员"。两条路径都通向同一个未来，但短期内的竞争维度不同。

2. WebBridge 的"借用"逻辑颠覆了 AI 自动化范式¶

AI 自动化领域的传统范式是隔离：给 AI 一个干净的沙盒环境，确保它不会接触到用户的真实账号和敏感数据。这在安全层面是合理的，但在使用层面造成了巨大的摩擦——用户需要重新配置 API、重新登录账号、重新建立数据管道。

WebBridge 的"借用"逻辑本质上是一个身份桥接设计：AI 不再是新环境的主人，而是用户现有环境的临时访客。它使用用户的已登录状态、借用人家的浏览器环境、把用户已有的数据资源作为自己的工具。这一逻辑将摩擦感降到最低：用户不需要做任何配置，只需要"允许"一次，AI 就能以用户的身份在用户的环境中工作。

这引出了一个重要的设计哲学问题：AI 自动化工具应该更像"用户"还是更像"系统管理员"？ 传统方案选择了后者（高权限独立账号），WebBridge 选择了前者（模拟用户在浏览器中的行为）。从 887 篇文章抓取的实际测试来看，WebBridge 的"模拟人类逐页浏览"路径比专用爬虫更稳健——前者不会被反爬机制拦截，后者会因为行为模式过于规律而被封禁。

这个"借用"逻辑的风险是双刃剑：便利性来源于 AI 拥有用户的身份权限，而这种身份权限的边界由浏览器安全模型决定，而非由 AI 产品本身决定。当 AI 能够"借用"用户登录状态完成微博发布，它同样可能"借用"同一会话完成其他操作——权限边界的控制完全依赖 AI 产品的内部约束设计。

3. Agent 集群是组织理论的结构性颠覆，不是功能升级¶

"最多 300 个分身"的 Agent 集群，其含义远不止于"并行处理更快"。从组织行为的视角来看，它是对人类工作组织的默认假设的根本性挑战。

传统知识工作组织的核心约束来自人类的注意力上限：一个人在同一时间只能处理一个复杂任务，因此组织结构必须设计成串行的流水线（分析师 → 整理师 → 写作者 → 审核人）。这种串行结构是人类认知局限的工程补偿，而非最优工作流的本质要求。

Agent 集群取消了这个约束。当一个任务可以被 AI 自动拆解为多个子工作流并行执行时，"项目管理"的角色开始被重新定义：不是人类在管理 AI 的分工，而是 AI 在自主决定何时并行、何时串行、何时创建新 Agent。 尹 John 提出的"可燃型员工 vs 自燃型团队"比喻，精确地捕捉了这个转变的含义：传统 Agent 是一问一答（踢一脚动一下），Agent 集群是一声令下自行运转（一大群 AI 同时动起来）。

这意味着在 Agent 集群的工作模式下，人类角色从任务执行者转变为任务定义者和结果审阅者。分析师说"给我整理 20 家公司的财报"，AI 自主拆解任务、自行分配给 20 个并行 Agent、完成后汇总——分析师的精力从埋头执行变成了判断与审核。这个转变对组织设计的影响是深远的：当执行层被 AI 接管，"组织结构"的内涵将从"人的分工"变成"AI 工作流的编排方式"。

4. "模型即产品"的战略判断与基模公司的 Agent 军备竞赛¶

第二来源的核心论断"只有同时掌握模型能力和 Agent 运行环境的公司，才能做到两者的深度协同"，已经不再是一个理论推断，而是有实际产品迭代作为支撑的实证结论。

Kimi Work 的 Beta 版一周内完成开发、约 5 万行代码、92% 以上由 Kimi Code 自主生成——这本身就是一个自指闭环：产品即工具，工具即产品。OpenAI 的模式同样印证了这一点：GPT-5.5 发布后 Codex 能力飞速提升，同源模型升级直接带动 harness 能力跃升。 这不是巧合——当模型和 harness 来自同一技术栈，联合优化的摩擦成本趋近于零，而外部集成商每次模型升级都需要重新适配。

DeepSeek 开始招人做自己的 Agent，是这个规律的反向证据：连最强调"开源"和"API 调用"的模型公司都意识到，不自己做 harness，自家模型的能力就无法在 Agent 场景里充分释放。2026 H2 开始，国内基模公司的竞争主战场从"模型能力跑分"转向"真实知识工作场景的持续交付能力"，谁能持续运转 + 持续交付结果，谁就把"模型即产品"变成了真实的竞争壁垒。

实践启示¶

1. 优先在"高重复、低创意"知识工作上部署本地 Agent¶

Vibe Working 最早的受益场景，不是需要深度判断的战略分析，而是高重复性、有明确输出标准、但人工执行耗时的知识工作。典型场景包括：同类竞品信息汇总、行业数据库结构化整理、定期财报数据提取与比对、标准格式报告批量生成。

这类场景的核心特征是：输入素材结构化程度高、输出格式相对固定、工作流程可拆解为并行子任务。Kimi Work 的 Agent 集群在 1224 个项目商机挖掘和 126 家 A 股低空经济分析中的实测已经验证了这类场景的可行性。 对于组织来说，这意味着第一批 AI 替代的人力成本将首先出现在知识工作领域，而非制造或服务领域。

2. 构建"开箱即用"数据管道是本地 Agent 落地的关键基础设施¶

Kimi Work 内置同花顺、天眼查、Yahoo Finance、arXiv 等专业数据源，其战略意义不只是"减少配置摩擦"，而是重新定义了专业 AI Agent 的能力基线：能直接调用专业数据源 = 能交付达到专业标准的工作成果；只能联网搜索 = 只能交付参考级别的摘要。

对于行业从业者来说，这意味着本地 Agent 落地的关键投入不是模型选型，而是数据管道建设：组织内部有哪些专业数据库、SaaS 接口、数据供应商，需要先完成与 Agent 运行环境的对接，才能让 AI 真正产出达到工作标准的结果。一个配备了专业数据管道的 Kimi Work，远比一个只有模型能力但缺乏数据接入的云端 Agent 更有实用价值。

3. 评估组织是否准备好从"管一个人"转向"管一个团队"¶

Agent 集群的并行工作模式，对组织管理方式提出了新的要求。传统管理模式的核心假设是一个人执行一个任务、一个人汇报给一个上级；当 Agent 集群可以同时执行数十个并行任务时，管理者需要面对的问题不再是"如何分配任务给一个人"，而是"如何定义任务边界让 AI 自行组织分工"。

组织在引入 Agent 集群之前，需要评估：管理者是否具备将复杂工作流拆解为清晰任务边界的能力？组织是否有"任务定义"的文化积累（即是否能清楚描述"我要什么"而非"怎么做"）？如果答案是肯定的，Agent 集群可以成倍放大团队产能；如果答案是否定的，Agent 集群可能制造更多混乱而非效率。

4. 将"一天 N 版"迭代节奏纳入 AI 产品引进评估框架¶

Kimi Work 的 Beta 版发布策略——"一天 N 版迭代"、"不追求完美才发布"——代表了一种新的 AI 产品节奏。这个节奏与传统的"打磨成熟再发布"软件工程范式完全不同。 它背后的逻辑是：在 AI Agent 领域，方向正确比功能完整更重要；Beta 版的用户反馈比内部测试更能指引迭代方向。

对于引进 AI 产品的企业来说，这意味着评估框架需要调整：不再以"产品是否成熟"作为引进标准，而是以"产品的迭代速度和技术方向是否与业务需求匹配"作为标准。同时，企业需要建立与"一天 N 版"节奏匹配的使用者反馈机制——Beta 版的价值来自用户实际使用中的问题发现，而非演示环境中的功能展示。

5. 把"云端 vs 本地"视为架构层战略选择，而非部署便利性差异¶

云端 Agent 与本地 Agent 的选择，不是"哪个更方便"的体验问题，而是数据主权、工作环境嵌入深度、长期 AI 战略的综合架构决策。云端方案适合"AI 即插即用"的轻量场景，适合对数据安全边界要求明确但不希望管理本地基础设施的组织；本地方案适合"AI 需要深度嵌入日常工作流"的战略场景，适合数据资产丰富、工作流程复杂且需要 AI 持续运行的行业。

对于已经有云端 AI 工具引入计划的企业来说，正确的问题不是"云端好还是本地好"，而是"这个工作流需要 AI 在我的工作环境里有多深地嵌入"。深度嵌入的工作流（如需要访问用户账号、本地文件、历史数据的工作），应该优先考虑本地方案；浅层接入的工作流（如提供参考建议、生成初稿的工作），云端方案足以应对。这个决策框架可以避免将"云端 vs 本地"变成一个意识形态之争，而是回到具体工作流的实际需求上做架构选择。

3rd 来源（2026-06-05）：AGI Hunt / 尹 John 视角 — 300 Agent 集群实战¶

"2026 年的 AI，已经忽略程序员了。"

作者：尹John（前网易资深技术专家；AI 初创公司 CTO；AGI Hunt 主理人）

3 源独家价值（前 2 source 完全没出现的）：

1. 独家数据：商机挖掘 1224 个项目漏斗¶

独家金句：「卧槽，用户彻底怒了。」（单 Agent 偷懒被骂 vs Kimi Work 满交付的反差）

vs 机器之心版 (1st source)：机器之心版讲"新能源汽车融资调研 4 个子 Agent"（小规模），本版讲"商机挖掘 122 个子 Agent"（大规模集群）。独家证明 300 Agent 集群在大规模任务上的可行性。

2. 独家实战：PPT 制作 8 页 + "Executive Warmth" 主题¶

• 配色方案："Executive Warmth" 主题（灵感来自 Ralph Lauren + Cartier）
• 漏斗可视化：985 原始机会 → 291 初筛入围 → 50 最终精选（一页呈现）
• 12 大主题领域 + 关键指标 + 核心发现
• 售后自动化：自动保存到本机 + 自动打开

独家金句：「我主要做的事情是开头的几个字、后面的喝咖啡、以及最后索性去吃了个饭……」（Vibe Working 极致体现）

3. 独家比喻：可燃型员工 vs 自燃型团队¶

独家金句：「如果 Vibe Coding 是用自然语言指挥 AI 写代码，那 Vibe Working 就是：你说了句话，一整个办公室的人（AI）开始同时动起来了。」

4. 独家对比：WebBridge vs 传统爬虫¶

独家数据源对比： - Claude Code Computer Use / Codex 桌面操作：通用（无专业数据源） - Kimi Work 独家内置：同花顺 + 天眼查 + Yahoo Finance + arXiv（金融投研 + 学术检索）

5. 独家自指证据：90% 代码 Kimi Code 自生成¶

"Kimi Work 本身由 Kimi Code 辅助写出，其中 90% 以上的代码由 Kimi Code 自主生成。"

自指闭环：Agent 产品（Kimi Work）由它自己的 Agent 工具（Kimi Code）写出来 — 模型公司 + Coding Agent 协同的极致证明。

6. 独家数据：0.3% 全球付费 AI 用户¶

"地球上 81 亿人中付费使用 AI 的只有 0.3%。"

战略意义： - 99.7% 的人群尚未接触付费 AI - 知识工作者是 0.3% 内部的最大增长群体 - 解释了为什么 Coding Agent 厂商全部转向通用 Agent（Vibe Working）

7. 独家新场景：126 家 A 股低空经济公司炒股分析¶

• 5 个专业 Agent 并行：财务分析官 + 合规审计官 + 总编辑 + 业务关联官 + 证据核验官
• 工具：同花顺 Skill（读财务数据）+ 天眼查（穿透子公司和工商信息）
• 输出：概念真实性评分表 + 证据包 + 复核优先级清单 + PDF 主题审计报告

vs 1st source 英伟达股价分析（11 页报告）：本版 5 个专业 Agent 角色化分工 + 评分表 + 证据包，更接近真实投研工作流。

3 源整合后的实体价值¶

3 译本视角对照¶

关键金句整合（3 源）¶

1st source： - "Vibe Coding 之后，下一个词是 Vibe Working" - "AI 长任务的真正挑战不再是上下文窗口有多长，而是 Harness 搭建得好不好"

2nd source： - "能并行的，就不要串行" - "Kimi Work 是用 Kimi Code 写的" - "真正的模型即产品，不止取决于模型能力"

3rd source： - "2026 年的 AI，已经忽略程序员了" - "可燃型员工 vs 自燃型团队" - "我主要做的事情是开头的几个字、后面的喝咖啡" - "Vibe Working 就是一整个办公室的人（AI）开始同时动起来了" - "全球 0.3% 付费 AI 用户"

3 源相互验证的关键事实¶

• Codex 500 万周活 + 桌面版 2 月上线后翻 6 倍：1st source 独家
• Anthropic 2 月企业 Agent 计划 + 5 月金融 Agent：1st source 独家
• K2.6 模型 + Kimi Code 衍生 Kimi Work：3 源一致
• WebBridge 内置数据源（同花顺/天眼查/Yahoo/arXiv）：1st + 3rd 一致
• 300 Agent 集群上限：1st + 3rd 一致
• 90% 代码 Kimi Code 自生成：3rd 独家自指证据
• 基模公司做 Agent 的天然优势：2nd + 3rd 一致

整合后 3 源的核心洞察¶

3 源覆盖的三大层次： 1. 产品层（1st）：Kimi Work 是什么 + 5 大技术特性 + 5 大实测场景 2. 战略层（2nd）：为什么是基模公司做 + 国内格局 + 真实工作场景竞争 3. 文化层（3rd）：Vibe Working 范式转变 + 300 Agent 集群大数实战 + 可燃员工 vs 自燃团队 + 90% 自生成自指

3 源整合的 v×c 总价值 ≈ 9×9 + 1×8 + 1×8 ≈ 95-100（9=product layer, 1=culture layer, 1=strategy layer）