当安德烈·卡帕斯在红杉资本的一次内部交流中提出“安装 .md 脚本”和“菜单生成应用”时，他指出的不是一个技术噱头，而是 LLM 带来的根本性转变。这种转变不是关于更快、更便宜的代码补全，而是关于一种全新的计算范式——其中 LLM 本身成为了解释器、执行体和创造者。本文从这一洞察出发，探讨 LLM 的“锯齿状”能力分布如何塑造了智能体经济的雏形，以及我们为何需要放弃对完美因果模型的执念，转而拥抱一种混合的、概率性的工程实践。

核心观点：LLM 的真正价值不在于加速现有流程，而在于它首次使某些功能成为可能，这要求我们重新理解其能力边界，并在此基础上构建新一代产品和经济模式。

在技术范式的更替中，最容易被忽略的往往是那些从“不可能”变为“可能”的瞬间。当安德烈·卡帕斯在红杉资本 2026 年的一次炉边谈话中，提出“安装 .md 脚本”和“菜单生成应用”这两个概念时，他并非在描绘一个遥远的科幻图景，而是在揭示一个已经发生、但多数人尚未正视的事实：大型语言模型正在从根本上改变计算的边界。这不仅仅是关于更快的代码生成或更便宜的自动化，而是关于一种全新的计算实体——一个能够理解自然语言、执行复杂任务、甚至创造全新功能的“智能解释器”。卡帕斯的观察，尤其是他对 LLM 能力“锯齿状”分布的描述，为我们提供了一个难得的框架，用以审视这场正在发生的、远比“加速”更为深刻的范式革命。

我们习惯于将每一次技术飞跃理解为对既有流程的优化。印刷机加速了手抄本的复制，蒸汽机替代了马车，互联网让信件变成了电子邮件。这种思维惯性深植于我们的认知模式中，以至于当一项技术不仅加速旧事物，而且催生全新类别时，我们往往后知后觉。LLM 正是这样一个案例。尽管当前的主流叙事仍围绕“AI 编码助手”、“自动客服”和“内容生成”展开，但这些仅仅是 LLM 能力光谱中最为浅显的部分。卡帕斯所指的“菜单生成应用”——一个完全由 LLM 驱动的、无需任何传统代码就能将输入图像转化为输出图像的应用——揭示了一个深层的转变：LLM 可以成为一个自足的运行时环境，一个完整的“应用”可以被封装在自然语言指令中，而不是编译后的二进制文件或解释执行的脚本中。这并非对现有软件工程的改进，而是一种对“软件是什么”这一根本问题的重新定义。

然而，这种重新定义伴随着一个令人不安的谜题：为什么同一个 LLM 既能流畅地重构一个十万行的代码库，又会建议你“走到洗车店去洗车”？卡帕斯将这种能力分布称为“锯齿状”，并指出其根源在于训练数据的分布和强化学习的经济动机。一个模型在编程任务上的表现优异，是因为 GitHub 和 Stack Overflow 上的数据为其提供了清晰的路径；而它在物理常识上的笨拙，则源于这类问题在训练数据中的稀缺。这种分布并非随机，而是由市场规模决定的。高需求、高价值领域（如软件工程、金融分析）的数据被精心打包，并通过强化学习嵌入模型的推理回路中，从而让模型在这些领域内表现出近乎超人的能力。反之，低需求、低价值领域（如日常物理常识、空间推理）则成为模型的盲区，它只能像“在丛林中用砍刀开路”一样，依赖残存的语言模型能力进行随机应变。

这种解释虽然有力，却远非完整。真正的挑战在于，我们无法为每一个可能的任务都创建一个大规模、高回报的训练数据集。这意味着 LLM 的能力边界将始终是模糊和动态的。这也解释了为什么尽管我们在“聊天机器人”和“代码补全”上取得了惊人进展，但在将 LLM 部署到需要高可靠性和可解释性的工业场景时，却屡屡碰壁。一个完美的、可预测的 LLM 可能永远不存在，因为它所面对的“世界”本身就是不可预测的。这种不确定性，恰恰是 LLM 工程化的核心难题，也是其最具魅力的地方。

正是这种不确定性，催生了卡帕斯所讨论的第三个主题：智能体原生经济。如果我们接受 LLM 是一个能力分布不均的“通用解释器”，那么产品设计和商业模式就必须围绕这种分布来重构。例如，一个成功的“智能体”不应试图在所有领域都胜任，而应专注于那些已经被 RL 回路充分覆盖的“轨道”，同时通过清晰的设计将用户可能遇到的“越野”风险降至最低。卡帕斯提出的“传感器、执行器和逻辑”分解模型，为这种设计提供了蓝图。在智能体原生经济中，信息必须被“最大程度地让 LLM 可读”，即结构化、语义化、并带有明确的意图。这不仅仅是接口设计的问题，而是整个产品哲学的根本转向：从服务于人类用户的体验，转向同时服务于人类和 LLM 代理的体验。

反对者可能会指出，这种对 LLM 的依赖是一种危险的简化，它掩盖了模型固有的偏差、幻觉和脆弱性。他们是对的。将关键决策委托给一个行为模式尚未完全被理解的模型，确实蕴含着巨大的风险。然而，历史告诉我们，每一次计算范式的跃迁都伴随着类似的担忧。从汇编语言到高级语言，从单机计算到云计算，不确定性从未消失，只是被封装到新的抽象层中。智能体原生经济中的“抽象层”，就是通过精心设计的“传感器”和“执行器”来桥接 LLM 的不确定性与现实世界的确定性需求。例如，一个 LLM 可能不知道如何精确控制一个机械臂，但通过将机械臂的 API 封装成一个“执行器”，LLM 只需要生成一个“抓取物体”的指令，而由底层的传统代码来保证执行的安全和精确。

这种混合范式——LLM 负责推理和决策，同时依赖传统计算（卡帕斯戏称为“CPU 协处理器”）来保证可靠性和实时性——可能是未来十年的主流。它要求工程师们既要有设计概率化智能系统的勇气，又要有坚守确定性工程底线的耐心。这对技能集提出了全新的要求。一个优秀的“智能体工程师”不再仅仅是代码的编写者，更是任务的分解者、数据的策展人和风险的评估师。他们在设计一个系统时，需要像导演编排一场即兴戏剧一样，既要给演员（LLM）足够的发挥空间，又要确保剧情（业务流程）不会失控。

回到卡帕斯的谈话，他试图推动的远不止技术细节的讨论。他真正想要传达的是，我们正站在一个十字路口：我们可以选择将 LLM 仅仅视为一个更快的打字机或一个更高效的搜索引擎，从而错过其最具革命性的潜力；或者，我们可以选择拥抱它的不完美，并开始认真思考一个由“智能体”作为主要计算主体的世界将如何运转。这不仅仅是关于技术，更是关于经济、关于工作、关于我们如何定义“能力”本身。

当前的喧嚣——关于 AGI 何时到来，关于 AI 是否会取代人类工作——很多时候都偏离了真正重要的议题。真正重要的问题是：我们如何与一个思维能力在某些领域远超人类、而在另一些领域又理性缺失的智能实体共存并协作？卡帕斯的回答是，不要试图将它变成一个全能的上帝，而是把它当作一个能力独特、需要精准“接口”的团队成员。这意味着我们需要重新设计我们的工具、流程和组织结构。

当然，这条道路并非坦途。经济激励可能会驱使公司滥用这种能力，创造出更多令人困惑而非赋能的“智能”产品。监管的滞后可能导致安全漏洞和伦理困境。而普通用户，在习惯了将 LLM 视为“魔法”后，可能会对其偶尔的“愚蠢”表现感到更加不安。但无论如何，这场范式变革已经开始。卡帕斯提到的“全神经计算”虽然仍是梦想，但“神经-传统”混合架构已经成为现实。那些率先认识到 LLM 是全新计算范式的核心而非旧范式的加速器的公司，将在下一个十年中占据不可动摇的先发优势。

最终，卡帕斯留下的最重要遗产不是某个具体的“安装 .md”技巧或“菜单生成”应用，而是一个认知框架：不要问 AI 能比人类快多少，而要问 AI 能让哪些曾经不可能的事情变成可能。当“安装一个软件”被简化为“向你的 LLM 展示一段文字描述”时，我们看到的不仅是效率的提升，更是一种全新的软件分发和消费模式的雏形。在这个模式中，LLM 不再是一个工具，而是平台本身。