AI 创业观察：五层壁垒，和普通人够得到的两层
0. 太长不看
从去年年底开始，我把主要时间花在 agent 研究上：agent 的顶层 UI 与多端协调、UI 层与 agent core 之间的胶水层、以 agentic RAG 为代表的文档处理，以及 eval。主要学习样本是 Codex 源码。
今年十一假期我没有休息，集中精力把 eval 又往深里做了一轮：对多个头部开源项目做失效模式测试，提交了一批 issue 和 PR，涉及 Alibaba、DeepSeek、Anthropic、Microsoft 等多家的仓库。
并且在假期前后这段时间，我在线上线下和大量做 agent 的开发者聊过——大厂的、初创的、国内的、国外的、正在找工作的、正在招人的。这些一手交流，加上我自己动手爆破项目的记录，构成了这篇文章判断的三个来源：读源码、动手炸、和局中人聊。
这篇不讲技术细节，讲这近一年研究和交流之后，我对”AI 创业、择业、个人位置”的几个判断：
- AI 的壁垒是分层的。我把一个 AI 产品拆成五层：模型、agent core、胶水层、多端 UI、eval。每一层都有壁垒，但形态和半衰期完全不同。模型层壁垒最高但不属于大多数人；agent core 的通用能力正在被训练数据集打包商品化；胶水层的设计纪律会被快速拉平；多端 UI 是连 OpenAI 都自留闭源的一层；eval 则是行业级稀缺的能力。
- 现在的模型价格是补贴价，不是稳态价。
- eval 正在从”测试环节”变成生产资料：它不只能抓 bug，还能把平价模型的使用效果抬到可用线以上。
- 如果做 agent 创业，我首先推荐高风险决策辅助场景：coding、研报财报、购房指导。因为这些场景里错误代价高、私有状态重，eval 是刚需，通用数据集替代不了。
- 选初创要靠筛选框架，进去之后没有”保留精力”的选项——战时阶段，位置对了就该当战场打，全力以赴。
- 加入初创和自己创业一样，先想清楚退路，才敢全力投入。
1. 壁垒是分层的
一种流行的说法是：模型在 commoditize，所以壁垒在上层应用。这个说法太粗糙，害过不少人。
我把一个 AI 产品拆成五层：模型、agent core、胶水层、多端 UI、eval。每一层都有壁垒，但壁垒的形态和半衰期完全不同。
1.1 模型层：壁垒最高，但价格是补贴价
模型层的壁垒不仅真实存在，而且是所有层里最高的：资本、算力、数据、人才，一个都不能少。
但对于做应用的人，模型层有两个必须认清的事实。
第一，现在的 API 价格是竞争补贴的结果，不一定长期维持。 各大厂在用价格换开发者、换入口，这和当年的外卖补贴战形似。做商业计划时，如果用今天的 token 价格测算盈亏平衡，等于把对手的补贴算进了自己的收入。
第二，也是更重要的：AI 产品的边际成本不为零。 AI 产品每生成一个 token 都是真实的 COGS——用户越多，亏损越大。
所以”亏本换规模”在 AI 里不是更安全，而是结构性地更危险。任何一个 agent 生意，单位经济学都要按 token 的长期成本重算，不能按今天的补贴价。
1.2 agent core：发动机，上下文管理是它的硬部分
agent core 包括 agent 循环、工具调用、重试与兜底，以及上下文管理——compaction、会话历史的持久化与投影，都在这一层。core 非常重要，它是产品的发动机。
但要注意一个正在发生的变化：通用 agent core 能力正在被商品化成训练数据。
一个标志性的动向：人才平台 Mercor 在为 Cursor 等客户生产代码执行轨迹数据集（他们称之为 Mercor Code，规模在千万条已验证轨迹量级），专门用来训练 coding 模型。也就是说，底层厂商正在把”agent 怎么循环、怎么调工具、怎么管理上下文”这些过去属于产品层的能力，打包成一个谁都可以买的数据集。
当一项能力变成 CapEx 而不是产品，它的价值曲线就是向下的。如果一家初创的全部卖点是”我们的 agent loop 设计得好”，需要回答一个问题：下一代模型把这类轨迹吃进训练集之后，你还剩什么？
能剩下的，是和真实成本曲线、具体场景强关联的那部分。我自己做过一个相关的 eval：长上下文 decode 时 TPS 会随上下文长度衰减，压缩（compaction）阈值如果按固定 token 数拍脑袋设定，要么太早（白付压缩的信息损失），要么太晚（用户已经卡到不能用）。我的做法是用”半速点”——TPS 掉到峰值一半的位置——作为 compaction 阈值的锚点，让阈值由实测的衰减曲线决定，而不是写死一个数字。这类判断数据集买不到，因为它依赖你对自己场景的成本结构的理解。
1.3 胶水层：UI 和 core 之间
胶水层不是 UI，是 UI 和 core 之间的协议层。很多人把这两层混为一谈，但它们的职责完全不同：胶水层只管对齐多端 UI，UI 层 负责将完善的 Agent 输出展现给用户。
Codex 的胶水层形态是 app-server：即使 TUI 和引擎跑在同一个进程里，通信仍然走 JSON-RPC 协议，不允许函数调用捷径。这是三个硬要求逼出来的：跨语言（IDE 和桌面端前端是 TypeScript）、双向 RPC（工具审批是引擎在执行中途反过来向界面要决定）、生命周期归属（多线程、子 agent 的事件按 thread_id 路由，这套状态不能散落在每个 UI 里）。
这条缝上的活，具体长这样：
- 翻译：core 的事件要逐级翻译成 UI 能消费的通知。Codex 是三级翻译链——core EventMsg → 83 个 ServerNotification → TUI 的 232 个 AppEvent → 界面组件。
- 反向通道：审批不是弹个窗，是 server 向 client 发的一个反向请求，执行挂起，等一个 oneshot 回填决定。执行审批、文件变更审批、向用户提问、权限申请，走的是同一类消息。
- 状态归属与降级可见性：这是最容易被忽视、也最容易撕毁承诺的地方。Codex 有一个我读源码时停了很久的分支：TUI 优先连本地 daemon，连不上就静默退回进程内嵌引擎，只有一行 debug 日志。
这套协议纪律的收益是实证过的：core 做过一次破坏性重构（删掉 Op::UserTurn，换成 TurnInput 和 start_or_steer_turn），TUI 一行没改，因为它对 core 内部类型的引用为零。
1.4 多端 UI：独立的一层，有人用闭源为它投票
真正使用 agent 的是人，体验全部发生在端上，所以多端 UI 必须独立成层。Codex 有五种客户端：TUI、桌面端、IDE、手机配对端，以及连 UI 都没有的 headless 模式（codex exec）。
我拆解过 ChatGPT 桌面端的安装包，结论很说明问题：同一个 core、同一套胶水（app-server 和 daemon），全部开源；闭源的只有 Electron UI 壳。
OpenAI 用发布的方式说明了一件事:发动机和传动系统可以公开，驾驶舱是自留地。这就是多端 UI 层价值的直接证据。
多端协调也不是”把同一个界面搬上手机”。按 UI 在哪、引擎在哪画成四象限，最有意思的一格是”UI 异地、引擎本机”：agent 必须靠近的是环境（文件、git、凭据、沙箱），不是人。 传统架构里 UI 和引擎挤在一台机器上，只是”引擎必须在这、人也凑巧在这”的副作用；Codex 的 remote_control 把这个副作用解开了——家里的 Mac mini 当常驻 agent 主机，手机配对后异地派活。这是拓扑级的产品形态，不是界面适配。
UI 层的壁垒因此也分两半：通用的交互套路会像 core 能力一样被定期抹平；但多端拓扑的产品判断、用户长期沉淀的本地状态、关键时刻的体验细节（截断能不能被看见、降级有没有被告知、迟到的审批会不会让命令偷跑），抹平不了。
1.5 eval 层：从测试环节变成生产资料
第五层是 eval。
它最近成为热点不是偶然——大家逐渐意识到，通过 eval 可以直接提升体验，还可以变相提高平价模型的使用效果。
五层看完，先给一张总表：
| 层 | 壁垒形态 | 对小团队/个人的含义 |
|---|---|---|
| 模型 | 资本、算力、数据 | 高攀不起，但要按长期价格算账 |
| agent core（含上下文管理） | 架构工程 + 训练数据 | 通用能力被数据集化，只剩场景化部分 |
| 胶水层 | 协议纪律 + 状态/权限归属 | 纪律会被拉平，与本地环境焊死的部分可守 |
| 多端 UI | 人的体验 + 多端拓扑 + 本地状态 | 连 OpenAI 都把 UI 留作闭源；差异化最集中的一层 |
| eval | 发现真问题的能力 | 行业级稀缺，且能力可验证、可携带 |
还有一个这张表没画出来、但我在 Codex 代码里亲眼看到的咬合关系：正因为胶水层把协议做成了一等公民（同进程也走协议），eval 的捕获点对所有端一视同仁地存在。 Codex 测试基建里，协议匹配器在处理每个请求时顺带做不变量检查，于是每一次普通测试都自动变成一次协议 fuzz——UI 层的多样化没有制造测试盲区，全靠胶水层没有留特权通道。
2. eval：被忽视的生产资料
2.1 两种 eval：测上限的，和测怎么崩的
先做一个区分。市面上大部分 eval 是评分类 benchmark：MMLU、HumanEval 这类，给一套标准题，看答对多少。它测的是系统的上限。
我做的主要是另一类，业界还没有统一叫法，我称之为失效模式评测（failure-mode eval）：不是测它能做多好，而是测它会怎么崩、崩的时候会不会有人知道。这个观点源自我做移动端 APM 的经验，有时候很多错误不怕会触发，就怕触发了没人知道，甚至会输出看起来正确，但是实际上是有错误延伸出来的答案。
软件测试领域有成熟的近亲——fuzzing 和 failure mode analysis——但 LLM 圈认真做的人很少。
为什么这类评测重要？因为 AI 系统里最危险的 bug 不是崩溃，而是“假装成功”。
2.2 四家公司，同一种病
十一期间我集中做了一轮爆破，加上此前几个月的积累，在多个知名开源项目里找到的 bug，形状惊人地一致。
病例一：规则拼错名字，静默变成空操作。
在一个评测工具里，我写 rule_based 断言时 matcher 名拼错了一个字母。系统不报错，全部 case 通过。我预期该拦的东西没被拦，加调试输出才发现：校验器把不认识的 matcher 静默跳过，那条规则压根没执行——报告里的”全绿”，是零规则执行下的全绿。修复方式是让 validate 拒绝任何不认识的 matcher 名。
病例二：重跑报 PASS，产物根本没更新。
单 case 重跑到一个非空输出目录，报告显示 PASS，但结果文件是旧的——系统没写新产物，只是把旧结果当成新结果报了出来。在 CI 里这意味着你以为在测新代码，实际在看旧成绩。
病例三：skill 装在软链后面，静默安装零个文件。
filepath.Walk 不跟随符号链接根目录，于是选中文件数为零，安装逻辑把零当正常，日志照常打印”installed”。我自己踩这个坑时，三轮全量评测，对照臂和实验臂跑的都是裸模型——报告里所有的 PASS 和 FAIL，都是噪声装扮成的信号。
这三个病例分别来自不同公司的项目（Alibaba 的 skill-up，以及我在 DeepSeek、Anthropic、Microsoft 相关仓库的同类提交）。同一种病，四家都在犯，说明它不是某个团队的水平问题，是整个行业的系统性盲区。
而评分类 benchmark 对这类 bug 是全盲的——benchmark 只看输出分数，不看”规则到底有没有执行”“实验到底有没有发生”“成功是不是旧结果冒充的”。
我还做过一轮更系统的实验：给四个 CLI 注入六种流式故障，铺成 108 个格子。结果是检出（宿主明确说出”回答被截断”这一级）只有 6/30，六成是完全静默。在另一轮针对 skill 文件物理残缺的注入里，规律更加刺眼：挡在执行路径上的伤 8/8 检出，不挡路的伤只有 2/8 检出。 一个宿主甚至在推理流里精确写下了”文件只读到一半”，然后把这件事合理化，最终交付只字未提。
我把检出率拆成一个乘法：
检出 = 读到（外壳供给）× 愿报（模型供给）× 挡路（任务供给）
任何一环为零，结果就是零。这个模型的实用价值在于：未检出可以沿闸门折返归因——到底是文件没被读到，还是读到了不愿报，还是伤压根没挡路，查得出来。
2.3 eval 不只是裁判，它是能力放大器
一种常见的误解是：eval 是考完试才用的东西。这低估了它。
当生成成本趋近于零，”判断好不好”就成了最稀缺的环节。而判断能力一旦建起来，它有一个直接的经济用途：用更便宜的模型达到同样的交付质量。
我跟踪过一个开源 agent 内核项目的评测，里面有一次配对实验：对照组和实验组各 18 个 rollout，两组 18/18 全部成功，质量打平，但实验组每次 rollout 多花 0.0648 美元，而实验合同里预注册的成本门槛是 0.02 美元——实验被否决。
两组全成功仍然被否决，这件事逼出了一个被回避很久的问题：通过率是可以花钱买的。 换更强的模型、失败重跑、堆更多上下文、加一轮模型自检，四条通道明码标价，而且在只报通过率的报告里全部隐身。一个 80% 通过率但每次 2 美元的方案，和 78% 通过率每次 0.2 美元的方案，排行榜上前者赢，真实生意里后者可能是对的。
eval 的生产资料意义就在这里：它让你知道每一个百分点的成功率是多少钱买的，让你有能力在质量-成本前沿上做选择，而不是闭眼调最贵的模型。对预算紧张的小团队，这是生死线。
2.4 招聘市场的混乱：不是缺几道好考题，是行业还没有共识
行业里现在招人很乱。这个判断来自我这段时间在线上线下和两边人的交流——招人的和找工作的，都很困惑。
线上面试，AI 辅助泛滥，答卷的可信度很低；线下面试，最常见的考法是照搬几个开源 benchmark 的案例，背过题的人和真做过系统的人答出来差很多，面试官却不好分辨。
但这个混乱不只是 eval 一个环节的问题。上下文怎么管、长上下文怎么用、记忆怎么沉淀、工具失败怎么兜底——这些 agent core 的核心开发思路，业界现在都还没对齐，各家做法分歧很大。 面试官脑子里那套”标准答案”，很可能只是某一家公司在某一个阶段的局部经验，换个技术栈就不成立。
两个原因叠在一起。一是面试官水平良莠不齐，很多团队自己也还在摸索，没有能力区分”真懂”和”背过”；二是 agent 技术迭代太快，连什么算好架构都在以月为单位变化——上个季度的最佳实践，这个季度可能直接被底座的新能力覆盖了，共识根本来不及沉淀。
所以招聘乱象的本质，是整个行业还没有一张稳定的能力坐标系。eval 的缺失是其中最尖锐的一环：一个行业连”怎么衡量一个 agent 系统好不好”都还没有共识，自然也就不知道”怎么衡量做 agent 的人”，只能拿现成的 benchmark 当尺子。而这把尺子量出来的是刷题能力，不是定义问题、设计验证、归因定位的能力。
和我聊过的不少候选人也有对称的迷茫：做了很多 agent 项目，却说不清自己到底强在哪、该怎么准备面试——市场没有给他们坐标系，大家只能对着各种题库刷题。
这个缺口本身也是信号：在一个连标准都还没长出来的行业里，能参与建标准的人——不管是建 eval，还是在 core 的某个方向上拿出被同行认可的实践——几乎没有竞争者，因为考题和答案都还不存在。
3. 如果我做一家 agent 公司，我会做什么
把上面的判断推到底，如果资源充足，我会做的方向有三个：coding agent、研报/财报分析 agent、房地产购房指导 agent。
这三个看起来跨得很远，但结构是同一个：高风险决策辅助。
| 方向 | 用户在为什么付费 | 为什么通用数据集替代不了 |
|---|---|---|
| coding agent | 代码写对、不引入 bug、符合本仓库的架构约束 | 代码库上下文、团队规范、历史架构决策都是私有的 |
| 研报/财报 agent | 投资决策不踩坑 | 持仓、风险偏好、行业理解因人而异 |
| 购房指导 agent | 几百万的决策不出错 | 家庭情况、预算、学区政策全部是本地状态 |
它们共享三个性质。
第一，错误代价极高。 一个 bug、一次误判、一套买错的房，损失远大于订阅费。在这种场景里，失效模式评测不是锦上添花，是产品本身——用户买的就是”它不会一本正经地坑我”。
第二，决策依赖大量私有/本地状态。 这正好是 Mercor Code 这类通用数据集覆盖不到的部分。
第三，用户要的是可信判断，不是流畅回答。 流畅是入场券，可信才是付费理由。而”可信”在工程上只能靠 eval 一层层钉出来。
三个方向里，coding 是我积累最深的（Codex 源码研究、胶水层和多端 UI 的实践、大量真实 PR），适合做切入点；研报和购房是同一个方法论在更垂直领域的迁移。
当然，还有一个躲不开的问题，也是我和开发者交流时最常争论的：用户从哪条路来？ 自然流量、垂直社区、工具捆绑、还是企业采购？agent 产品的分发不会因为技术好而自动解决，巨头的补贴战会把没有渠道的获客成本压到无法承受。这个问题在启动之前就必须有答案。
方向可以晚点选，能力要先攒着。
4. 加入一家 agent 初创：怎么选，以及怎么干
自己做和加入一家公司，在判断逻辑上是同构的：都是拿一段时间下注一个位置。
4.1 先排除三类公司
排除一：纯套壳调 API 的。
模型一升级价值归零，边际成本不为零，规模越大亏越多。
排除二：只有通用编排、没有本地状态的。
理由就是 Mercor Code 动向——通用 agent 能力正在被数据集吸收，”我们 loop 写得好”的保质期以月计。
排除三：纯做数据标注/人力节点生意的。
这类生意的资产是信息差和中立性，而这两样都是短久期的——同行用一个小得多的团队就能在几个月内接走你的位置，说明位置本身没有壁垒。
4.2 优先看四个特征
- 有本地状态。 用户的索引、历史、配置、权限沉淀在产品里，时间站在产品一边。
- 有真实分发。 捆绑在已有工具里、扎根某个垂直社区、或走得通企业采购——获客不依赖临时买量。
- 卡在企业侧的合规与权限入口。 数据不出域、权限分级、审计留痕，都是巨头不愿做的脏活，但恰是硬壁垒。
- 有垂直纵深。 不是”通用 coding agent”，而是某个行业工作流里的深度集成。通用能力会被数据集化，垂直深度不会。
面试公司时，我会问创始人一个问题：
“如果明天大模型厂商把你们的核心功能免费做进下一代模型，你们怎么办？”
答案是”我们技术更好”“我们跑得更快”的，可以礼貌离开了。能活下来的答案只有一种：”我们有他们拿不走的东西。”——而那东西必须能具体指出来是本地状态、分发、合规入口，还是垂直纵深中的哪一个。
4.3 进去之后：当战场打，全力以赴
筛选是为了保证下注的位置值得。位置一旦确认，我的态度很明确：没有”保留精力”这个选项，全力以赴，加班加点，当成战场去干。
这不是被创业文化洗脑，是算过账之后的理性结论，而且和这是个什么行业直接相关。
第一，这本来就是战时经济阶段，窗口是有保质期的。 中美博弈把 AI 放进国家战略，厂商在亏本整合资源抢入口，模型能力每半年跳一次。这个阶段的竞争单位不是”年”，是”月”。你在一家正确的初创里省着力气干，等于在炮火最密的时候躲在战壕里保存体力——等战争阶段结束，保存下来的体力没有任何兑付场景。和平时期的努力可以平滑分配，战时的努力是过期作废的。
第二，先问自己下一章那个问题：假如两年后这家公司不在了，我还回得来吗？ 你在 agent 初创里积累的东西——agent 架构判断、eval 方法论、对一个垂直场景的理解、从 0 到 1 的完整交付经验——全是长在自己身上的手艺，公司不在了也带得走，答案通常是”回得来”。既然退路在，理性的选择反而是毫无保留地投入。真正需要”保住岗位、其余精力留给自己”的是另一种处境：在一家大公司里，日复一日打磨的高度绑定内部系统的技能，慢慢让你失去回到市场的能力——那才需要给自己留后手。在正确的初创里 all-in 不是冒险，是因为你清楚自己输得起。
第三，也是最容易被忽略的：初创付你的薪水是打折的，差额本来就应该用成长密度补回来。 大厂给钱买你的确定性，初创给钱少、但给你一件大厂花钱都买不到的东西——单位时间内处理的问题密度。在大厂你可能三年碰不到一次”eval 体系从无到有”的机会，在对的初创里这种活每周都在发生。全力以赴不是为了对得起老板，是因为这是你给自己的可携带资产充值的窗口期，偷懒等于自己给自己的资产断供。同样是加班，在错的地方是消耗，在对的地方是充值，区别在于干完之后东西归谁。
第四，全力以赴还有一个战术含义：拿 ownership，不要拿任务。 agent 架构加 eval 体系是我进去之后一定会要的 ownership——这是当前初创最稀缺、最难外采的组合，也是和我能力结构最匹配的位置。要避开的是纯执行型的 prompt engineer 和纯应用层开发，这两层替代性最高。在战场上，当连长和当传令兵，同样是冲锋，两年后身上留下的东西完全不同。
当然，这个态度有一个不能省的前提：前文说的岗位筛选必须真的做过。 对三类该排除的公司全力以赴，是纯粹的消耗。
5. 个人这一层：退路想清楚，路才敢走满
上一章讲在一家公司里怎么干，这一章往外退一步，说说怎么安排自己。
这行有个容易让人上头的地方：每天刷到的都是融资、发布、榜单，好像所有人都在船上。但”行业很好”和”我会很好”之间，其实隔着很长一段路。历史上这种事发生过不止一次——铁路和光纤最后都赢了，世界真的被它们改变了，但当年借钱铺铁轨、埋光缆的公司，成片地破产。技术的胜利和个人的结局，从来不是自动绑定的。承认这件事不是悲观，是别让宏观的热闹替自己做决定。
那要不要把自己整个人押进去？我自己想下来，发现不用纠结”性格够不够狠”，只需要老老实实回答一个问题：
假如我离开现在这条路两年，还回得来吗？
如果回得来——手艺是长在自己身上的，换家公司照样用；圈子还在，行业还在招人——那就没什么可怕的，看准了就把力气用足。如果回不来——会的东西只对某家公司的内部系统有效，或者这个位置两年后可能整个消失——那就得一边干，一边给自己留别的路。
这么一想，上一章说的”全力以赴”其实有个前提：不是闭眼猛冲，是先确认自己攒下的东西带得走，然后才敢把路走满。想清楚退路和全力投入一点都不矛盾，反而是同一件事的两面——退路保证你输得起，投入保证你赢得了。
再说关系。这个阶段很容易陷入一种焦虑：觉得认识的人不够多，于是到处加微信、进群、换名片。但维护一段关系是要花时间的，而大部分这样的关系，从来不会流动任何真实的东西——既没有信息，也没有协作，只是安静地躺在通讯录里，给你一种”我人脉很广”的错觉。与其这样，不如把时间留给少数几段真的会互通有无的关系：谁在做什么、哪里缺什么样的人、哪条消息值得信，这些东西只在有来有往的关系里才会出现。那些一两年里从未真正帮过彼此、也没带来过任何一次机会的关系，慢慢淡掉就好，不必有心理负担。
这个阶段还有一件事，是我越做越觉得值的：把想明白的东西写出来，把做过的事留下公开的痕迹。写文章、提 PR，短期看没什么回报，但时间久了，它们会拼成一份谁都能查证的成长记录——你说自己懂什么，都有对应的一篇分析、一个被合并的修复在替你作证。这件事别人替不了，也装不出来。它最大的好处还不是被谁看见，而是写的过程会逼你把”以为懂了”变成”真的懂了”。
最后说句题外话。这一章前面都在算账，但算账的目的是让心里有底，不是把日子过成账本。越是变数大的时候，越要守住几样完全由自己说了算的东西：身体、作息、和少数不用谈行业也能待在一起的人。它们不产生任何竞争优势，但它们是你能在这张牌桌上一直坐下去的本钱。
6. 结尾
这一年看下来，最深的一个感受是：”把东西做出来”这件事本身，正在飞快地变便宜。模型厂商替整个行业打着价格战，通用能力一层一层沉进底座，过去能拉开差距的很多活，现在几句话就抹平了。
但与此同时，另一些东西在慢慢变贵：知道系统会在哪里不动声色地骗你，知道多一个百分点的成功率要付出多大代价，知道一个具体的人在一个具体的场景里真正害怕的是什么。这些东西没法被收录进任何训练集，也没法靠刷快讯得到——它们只能从一次次翻车、翻案、事后复盘里长出来，从和真正在做事的人反复争论里长出来，再加上在一个对的位置上实打实干过的密度。
战争总有打完的一天。补贴会退潮，格局会落定，到那天回头看，很多战时的头衔和位置可能都是临时编制，真正还留在身上的，是手艺、判断，和一批因为你做过的事而愿意相信你的人。
公司能给的是平台和一份收入，能长在自己身上的东西，才是将来。在一个什么都在降价的行业里，让自己成为那个慢慢升值的部分。
注：文中引用的 Mercor 等公司的商业数据与交易细节，来自我写作时看到的二手行业报道，尚未逐一核验原始出处，仅供参考，不构成投资建议。文中涉及的开源项目病例均有对应的公开 issue/PR 记录可查。