#540.AI Agent 的达尔文时刻：技术重构、多模型博弈与未来软件三分天下

Tasklet 在过去六个月内完成了产品技术栈的彻底重写，从单一的工作流自动化工具转型为通用的 AI Agent 平台。核心架构调整包括引入文件系统作为历史记录存储，而非直接将无限长的聊天历史喂给大模型，从而有效降低 Token 成本并提升 Agent 处理复杂任务的能力。此外，Computer Use 功能已成为产品核心，通过 Headless VM 和浏览器虚拟机实现跨运行状态保持。上下文管理采用分层压缩机制，根据时间段对历史信息进行不同程度的归纳，确保在有限的上下文窗口内维持 Agent 的长期记忆与执行效率。

坚持 “压注模型” 的策略在过去半年中被证明是正确的，Claude 系列模型在计算机操作和工具调用方面表现卓越。随着模型能力的趋同，Tasklet 正从单一模型依赖转向水平平台模式，通过接入 Anthropic、OpenAI、Google 及开源模型，充当模型间的 “中立仲裁者”。这种定位不仅规避了单一供应商的供应链风险，还通过按任务匹配最合适模型的方式，为企业用户提供成本优化方案。尽管面临模型供应商直接竞争的压力，但通过提供审计日志、护栏控制及多人协作等企业级基础设施，Tasklet 在通用 Agent 市场中构建了差异化壁垒。

“Harness” 概念已演变为类似 “机甲” 的系统，旨在赋予模型在真实世界中执行任务的能力，包括存储、算力、API 连接及人机交互。随着模型能力的提升，Harness 的复杂性将进一步增加，重点在于记忆管理、监督控制及工具集成。在多模型支持方面，尽管不同供应商的缓存 API 存在差异，但通过模块化工程设计，可以实现上下文翻译的统一化。目前主流实验室模型能力趋同，差异化竞争点已从单纯的智能水平转向成本控制、人机功效及执行速度。

针对企业级应用，Tasklet 正在构建分层上下文管理系统，涵盖组织级使命价值观、团队级 OKR 与业务流程，以及 Agent 级特定工作流指令。这种 “共享大脑” 架构允许团队成员共享 API 密钥、连接配置及业务技能，实现新成员快速上手。未来将进一步引入跨 Agent 记忆共享与共享文件系统，使文档在不同 Agent 间随时取用。这种机制不仅提升了协作效率，还通过统一的上下文层级，解决了单个 Agent 在处理复杂组织任务时信息孤岛的问题。

生成式 UI（Instant Apps）的出现标志着软件交互范式的转移，用户不再需要维护多个 SaaS 应用，而是通过 Agent 实时生成所需的界面与功能。未来软件行业将重构为三类公司：极少数横向 AI 平台、提供 API 的无头（Headless）公司，以及隐形 AI 驱动的解决方案公司。随着 Agent 具备生成迁移脚本、执行测试及人工审批机制，高风险任务的自动化变得更加可靠。Tasklet 致力于成为取代知识工作者所有 SaaS 产品的统一平台，通过积分系统整合各类第三方服务，实现生产力工具的彻底整合。