AI 开始「先读再干」：创始人认知带宽重获自由的信号

两周前SkyPilot 在技术博客上记录了一次实验[1]。他们没有像往常一样给 AI Agent 一个代码优化任务、让它直接开干而是在任务开始前先给 Agent 布置了一个「研究阶段」去读 arxiv 论文、研究 Llama.cpp 的竞品实现、查阅 CUDA 和 Metal 后端中已有的优化方案。Agent 花了大约 3 小时、调用 4 台云虚拟机、总成本约 $29得出了 5 个核融合优化方案最终让 Llama.cpp 在 x86 架构上的 CPU 推理速度提升了15%在 ARM 上提升了5%。这不是最让人惊讶的部分。真正有意思的是对比Karpathy 的原始 Autoresearch 采用纯代码上下文驱动方式[6]只给目标让 Agent 自己在代码里找变化——最终在 16 块 GPU 上跑了 8 小时、生成 910 个实验val_bpb 优化率为2.87%。而加了研究阶段之后同样的团队、同样的预算产出是前者的数倍。几乎同一时间一位 macOS 开发者发布了一篇博客记录了他如何利用 macOS 新增的原生即时 Space 切换功能配合 AI 辅助重构了自己在多任务工作流中的操作节奏[2]。几件事放在一起指向一个正在成形的基础设施升级个体操作者的认知资源正在被系统性释放。先研究再执行AI 工作流的新范式在 SkyPilot 的实验里[1]Agent 不是等着被告知「应该优化哪里」而是主动去找文献里提到的、竞品已经实现了的、自己后端代码里还没移植的优化机会。这与 Karpathy 的纯代码上下文驱动方式[6]形成了对照——两种路径的对比本质上是「人给方向」与「AI 自己找方向」的区别。这种「先读再干」的模式本质上是把「找到最优路径」这件事也交给了 AI——人从「给出方向」变成了「设定目标边界」。Shopify 创始人 Tobi Lütke 也在这个方向上做过一次实验让 AI Agent 优化 Ruby 模板引擎 Liquid这个引擎每年处理$2920 亿美元的电商交易额。Agent 跑了约 120 个实验生成了 93 个 commit最终把解析和渲染速度提升了53%内存分配减少了61%零回归[1]。$29 的云成本、$2920 亿的年交易额——这个对比让 AI 工作流的价值不再只是「省了多少时间」而是「帮你赚到了多少你本来赚不到的效率」。用Agent构建你的第二大脑不用 RAG用 Markdown 让 AI 替你整理知识#AgentOS操作系统也在为 AI 做好准备如果说研究型 Agent 是软件层的工作流重构那操作系统层面的变化可能更具根本性。macOS 新增的原生即时 Space 切换功能本质上是一个操作系统级的注意力管理工具[2]。它的作用不是让 AI 直接帮你做事而是让你——作为一个人——在多个工作环境之间更快速地切换从而在每一个时刻都能保持对当前任务的完整注意力。这背后有一个认知科学的基础概念注意力切换成本。当你从任务 A 切换到任务 B大脑的工作记忆需要清空 A 的上下文、加载 B 的上下文——这个过程平均需要 20 到 25 分钟才能真正进入深度专注状态。传统的多桌面切换由于切换速度慢实际上在强化这种成本而原生即时切换是通过让切换本身足够快来减少上下文重建的摩擦。开发者们正在发现[2]在 AI 辅助下你的操作系统不再是单纯的「任务容器」而变成了一个「认知资源调度器」。AI 帮你保持对当前任务线的理解而 Space 帮你管理任务之间的物理边界。工具美学也在这个方向上发生有趣的变化。位图字体——那种像素感十足、让人想起早期 Macintosh 的字体——正在开发者和设计师社区里重新流行[4]。不是因为复古本身有吸引力而是因为像素字体传递了一种信息这个工具在乎它被使用时的「计算机感」在乎操控的精确性而不是在追求过度的圆润和智能化。这是 AI 时代工具设计的一种反讽式回调越智能的工具越需要保留「我正在操控机器」的实感。反效率的启发糟糕UI与愚蠢问题#无学科视角下的创新思维认知带宽重新分配创始人真正应该做的事说到这里有一句被反复提起的话值得重新理解「创始人认知带宽决定公司天花板。」这句话最早被用来论证「创始人应该聚焦在最重要的事情上」。而在 AI 时代它有了更具体的注解当执行层面的工作正在被大规模替代创始人的认知资源真正应该流向的是机器暂时还做不了的判断[5]。独立游戏工作室 Sunset Visitor 花两年做了一款「证明 AI 非人类」的游戏[5]本质上也是在做同一件事在 AI 能力爆发的时代用创作行为本身重新划定人的专属领域。研究型 Agent 帮你找到了最优解方向[1]。操作系统级工具帮你减少了注意力切换的摩擦[2]。Anthropic 最近限制 Mythos 模型发布的事件[3]则提供了另一个维度的启示AI 的能力上限正在快速推进但「在哪里用、怎么用」的决策权始终在人类手里。你可以把 Anthropic 的限制理解为对 AI 安全的重视也可以理解为最前沿的 AI 已经强到连它的创造者都在担心它「太能找漏洞」的程度。这意味着创始人的判断力是 AI 能力的乘数。同样的 AI 工具在不同判断力的人手里产出会差出几个数量级。所以每周做一次「认知审计」可能比任何 AI 工具都重要我这周花在执行上的时间有多少花在判断上的时间又有多少如果执行占了你 60% 以上的时间那是你的 AI 工具栈还没到位或者你对「什么事情值得自己做」的判断框架需要更新。建筑学里有一个概念叫「功率密度」——单位体积产生的能量。把它迁移到认知科学就是你的认知功率密度 你在判断、决策和创意上投入的认知能量除以你的总认知资源。AI 的作用是让这个分母变小——释放更多认知资源用于分子上的事。构建你的「认知扩展」工具栈研究型 Agent执行前研究 OS 级即时切换执行中保持专注 LLM 推理设定边界—— 这三层共同构成了一人公司创始人的「认知扩展」工具栈。最内层是 LLM。它帮你把模糊的想法变成结构化的表述帮你评估一个判断的潜在风险和收益。中间层是研究型 Agent。它帮你把「我想优化某件事」变成「已有这些优化路径这是最优的那条」。最外层是操作系统。它帮你减少任务切换时的注意力损耗让你在每一个时刻都在完整的认知状态下工作。三层叠加本质上是把「执行」的整个环节都外包给了系统而把「决策」和「创造」留给了你自己。当你在每一个层面都减少了认知摩擦真正被释放的是一个创始人最稀缺的资源——「想清楚自己要去哪」的时间。一个人 Agent OS 真正的一人公司。这句话正在从概念变成现实。致最先触达未来的那一小部分人愿你们的每一个 AI 工具都是为了给自己赢得更多「想大事」的时间。AI越消失进日常工具你的经验就越值钱参考[1] Research-Driven Agents: What Happens When Your Agent Reads Before It Codes[2] Native Instant Space Switching on macOS[3] Is Anthropic limiting the release of Mythos to protect the internet—or Anthropic? TechCrunch. 2026-04-09.[4] Bitmap fonts make computers feel like computers again[5] Sunset Visitor: Proving Youre Human with a Game About AI Identity[6] Karpathy/Autoresearch: Autonomous AI for Neural Network Training . GitHub. 2025.