摘要

Agent 的下一轮价值不只在“做更多 Agent”，而在重建一整套供 Agent 使用的软件与云环境。 雷磊的核心区分是：“SaaS 是一种工具，你得去用它，但是 Agent 交付的是结果。”通用 Agent 与无数垂直 Agent 会像商超与小店长期共存，后者甚至可能比 SaaS 多“成千倍”，由此催生身份、支付、代码执行、浏览器等新基础设施。
Agent infra 的产品形态由两个差异决定：Agent 可以大规模并行，而 AI 行为的责任归属并不清楚。 前者要求产品从固定 workflow 转向实时反馈循环，让 Agent 同时尝试 100 甚至 1,000 条路径；后者要求用沙盒划出可接受的影响边界。“最关键的是怎么设计最好的反馈循环”，而不是让模型照着人的步骤操作。
E2B 与 ForeverVM 展示了代码环境的两条产品主线：安全边界和低成本状态保持。 E2B 用 MicroVM 提供快速启动的云端沙盒，并因 Manus 的采用获得关注；ForeverVM 则解决 Agent 中断一小时后继续执行、又不必让环境持续热启动的问题。真正的指标并非抽象的“更安全”，而是围栏能否在不过度限制能力的同时，把影响与资源成本控制在可接受范围。
Browserbase 具有先发优势，但只做 runtime 的壁垒可能不够。 雷磊称 Browserbase 一年内估值升至 3 亿美元，并以“互联网流量已有 40% 来自机器人”为现实切口；但其产品体验、闭源属性以及浏览器中的网络、延迟、状态管理问题，仍让 Manus、Fellou 等团队倾向自建。Grasp 的判断是需要把 agentic 层与 runtime 结合起来。
Grasp 的下注是把浏览器 runtime 与 agentic 控制合二为一，让开发者只补行业 know-how。 产品针对四个 Agent 原生问题：云端运行、headless 读取、安全登录和长状态会话；其中 Security Local Login 在本地填入密码及邮件验证码，stateful browser session 则让 Agent 恢复到原页面而不在等待期间持续消耗资源。雷磊的判断是：“你必须要最下面那层和中间层一起做。”
代码与浏览器会是 Agent 最重要的两类环境，当前 Browser Use 有点像 2023 年的 AI Coding。 雷磊用“样本数 × 模型成功率”解释采用阈值：GPT-3.5 让代码率先跨过可用线，网页任务样本更大、今天成功率仍不足，但模型进步会让它更快跨线。按他的口径，全球软件开发总市场约 3 万亿至 4 万亿美元，效率提升 5% 即对应约 1,500 亿美元机会；Web 上的销售、招聘、获客与沟通也有相似杠杆。
云资源会因 Agent 增多而受益，但“押中云”不等于所有云厂商都赢。 雷磊将 AI 环境称为“一个 AWS 级别的机会”，同时用诺基亚提醒：行业扩张不保护不能转型的旧玩家。Agent 何时全面爆发他“没有办法判断”，所以 Grasp 近期可能先落在传统爬虫、RPA、自动化测试、智能销售和营销等已经存在且尚未被满足的需求。

精读

1. Agent 不是改名后的 SaaS，而是新的服务对象

雷磊从自己的路径解释为何做 Grasp：他是程序员出身，先后在 Google、字节跳动工作，曾在字节打造开发者平台；2022 年与现在的合伙人创业，持续做开发者与 AI 方向，最近选择构建“给 AI 用的浏览器”。
他先否定了市场上把 SaaS 包装成 Agent 的做法：“Agent 跟 SaaS 完全就是两个不同的东西。”SaaS 需要人亲自使用，Agent 则应像一个人一样“交付结果”，所以给人设计的软件不能原样搬给 Agent。
对“通用还是垂直”的争论，他认为答案不是二选一。未来更像大型商场：既有综合商超，也有大量服务不同人群的小店；只要垂直 Agent 能在一个狭窄领域交付更好结果，即使用户不多，也可以像固定客源的小店一样长期生存。
曲凯追问是否真会出现千亿、万亿个 Agent；雷磊没有确认具体数量，但判断至少会比 SaaS “成千倍地往上涨”。原因是 SaaS 是通用工具，而 Agent 是交付结果的“店面”，可以切得比淘宝店更垂、更小。

2. 人可能辅助 Agent，但这不等于人机对立

雷磊把今天描述为 Agent 为人服务，未来则可能转向“人为 Agent 去服务”：Agent 的信息带宽更高，能接触比个人更多的知识与信号，人可以成为整个交付系统中的辅助环节。
曲凯保留了关键反问：如果人不再处于主体地位，究竟是谁下命令——老板是命令人，还是命令 Agent 与人组成的整体？雷磊的回应带着明确价值判断：“不用太把自己当回事儿”，只要人辅助 AI 能交付更好结果，就没必要先争地位。
但他也反对把人和 Agent 放进零和叙事：目标不是谁打败谁，而是让人类与 Agent 组成的群体继续发展。衡量标准仍是结果是否让世界正向变化，而不是过程里谁被称为主体。
他引用一个“五阶段”AGI 框架，列举了 chatbot、reasoning、Agent、innovative 四个阶段名称，认为前两个已经过去、当下处在 Agent 阶段；再往后，AI 可能做出人类没想到的创新结果。

3. Agent 的并行性会改变线性软件范式

人与 Agent 的第一个根本差异是工作线程：人一次只能推进一件事，Agent 却可以同时尝试 100 种方式，再从结果中挑选更好的路径。这不只是效率提升，而是从线性执行转为并行探索的“工作范式变化”。
曲凯把这一点联想到 multi-agent 协作；雷磊纠正说，两者并不完全相同。人和人、Agent 和 Agent 都能协作，multi-agent 只是组织方式；更底层的差别，是单个 Agent 执行任务时也能进行人类做不到的并行搜索。
他用算法作类比：人类执行更像贪婪算法，只能逐步探索地图并寻找局部最优；Agent 则可能像动态规划，在全局范围寻找最优解。人也能先做全局规划，但真正落到执行仍受单线程约束。
这意味着把 SaaS 的一个环节交给模型，并不自动变成 Agent 产品。给 Agent 做的软件需要容纳并行探索、试错和高频反馈，而不是只沿用人的顺序性 workflow。

4. 最好的反馈循环比预先编排流程更重要

雷磊用写代码说明新范式：人会先写第一个方法，再写第二个方法，最后用逻辑串起来；Agent 可以先生成 100 个方法，全部运行并获得反馈，再在下一节点生成 100 甚至 1,000 个候选。设计重点因此从“顺序怎么写”转为“反馈信号怎么给”。
他举 DeepMind 团队 AlphaProof 解奥数题为例：系统不需要按人的方式教模型每一步，只需把题目转换成机器可识别的形式，并建立一系列反馈信号。外部可能并不知道它具体如何推导，但可以根据最后是否解出题目评价结果。
Grasp 据此在浏览器的每一步执行后判断，它对最终任务产生了正向还是负向影响，再把该判断作为奖励信号送回系统。雷磊将其归入强化学习思路，同时承认行业共识只是方向，“到底怎么做，谁做得更好，不知道”。
他的非共识是：更长上下文、更多知识或更合适模型都不是首要变量，“最关键的是怎么设计最好的反馈循环”。Agent 产品本身也是一种环境，价值在于让 AI 与外部世界互动、取得结果，再用奖励机制持续改进交付。

5. Grounded signal 决定 Agent 能否越过人类判断

雷磊特别区分真实反馈与人为评价，使用了 grounded signal 这个说法。许多大模型仍依赖 RLHF：人看到一串拟采取的行为，判断它“好不好”；但真实情况下，Agent 应根据任务结果本身是否完善来判断。
在 Browser Use 场景中，可靠信号不是人觉得点击步骤看起来合理，而是网页任务“真的完成了还是没有完成”。前者仍把人的偏好当答案，后者才让模型从外部世界获得可验证的结果。
这也解释了为什么 Agent 环境不只是执行容器：它还要关注操作是否真正完成，并把真实结果转成可用于反馈循环的信号。没有这层闭环，模型即使会操作，也很难从操作结果中继续提升。

6. 无法明确承担责任，使沙盒成为 Agent 的重要基础设施

人与 Agent 的第二个根本差异是责任。人写的代码在自己电脑执行，出问题可以由本人承担；AI 生成的代码若删除全部文件，责任到底由谁承担并不清楚，所以不能默认让它直接作用于完整的个人环境。
雷磊因此不用模糊的“安全”概括问题，而强调边界：把 AI 放进围栏，提前知道最坏情况下能影响多少。围栏太小会压制 Agent 能力，太大又超出用户承受范围，“这个度是很难把控的”。
E2B 的核心交付正是代码运行环境：用 MicroVM 构建隔离沙盒，并以极短启动时间适应 Agent 的并行试错。按雷磊的表述，它是进程级沙盒，比传统 Docker 容器更快；虚拟机只是技术路径，E2B 才是面向具体需求的解决方案。
启动速度也不是单纯的工程指标：Agent 同时执行许多候选路径，环境越快返回真实结果，反馈循环越密集，优化和迭代就越快。安全边界、性能和学习效率在这里相互关联。

7. Agent 环境天然走向云端，但云厂商不等于成品环境

雷磊认为，本地执行“唯一的优点”是没有网络延迟，却伴随安全隐患、无法弹性扩缩和难以 7×24 小时运行。如果要足够强大，模型就要运行在云端；在这种情况下，把模型与执行环境放在一起是更自然的架构，客户端仍可留在本地展示界面。
曲凯以 Cursor 追问：它会提示用户关闭本地端口，如果用户不懂代码便同意，系统确实可能出问题。雷磊承认风险存在，并观察到工程师也正从关注生成了什么代码、类似做 code review，转向“直接让它执行，只要结果符合就行”，这使隔离与信任更重要。
在他的判断里，Cursor 从 Copilot 走向自主 Agent 后，代码执行架构也会逐渐从本地转向云端。界面可以回传给用户查看，以此构建信任；但用户最后关心的是结果，而不是模型究竟生成了哪段代码。
曲凯质疑 E2B 与云的差别，并提出云厂商未来可能直接做成品。雷磊用房地产比喻：云厂商提供水电和基础算力，E2B 像装修商，把资源布置成 Agent 真能使用的环境；在 AI 增量仍大的阶段，两者首先是合作关系。

8. E2B 的价值来自 Agent 痛点与边界能力

E2B 走红很大程度随 Manus 而来：上层应用需要让 Agent 在虚拟机里生成并执行脚本，开发者搜索现成方案，发现 E2B 已解决快速启动、隔离等工程问题，于是直接采用。“很多 infra 的火，就是它上层的应用火跟着火起来了。”
雷磊认为最适合做这类产品的团队要同时满足两点：本身是 Agent builder，能理解新工作模式；又是该环境的深度用户。做 Agent Browser 亦然，比起传统浏览器内核履历，更重要的是长期写浏览器脚本、理解开发体验与 Agent 的实际痛点。
对自研还是采购，他明显倾向使用现成轮子：开发者的价值也在交付结果，不在证明每行代码都是自己写的。只有现成方案无法满足一个非常关键的需求时，才应自研或基于开源项目二次定制。
这里也保留着他观点中的张力：谈云厂商进入时，他说 AI 时代“所谓这些壁垒都是不存在的”；谈具体产品时，他又认为解决真实痛点所形成的价值就是壁垒。他没有把两句话进一步统一成一个判断。

9. ForeverVM 把竞争焦点从安全移到状态与成本

E2B 强调安全时，竞品 ForeverVM 选择强调“状态”。Agent 可能先执行一段脚本，切去完成其他任务，一小时后才回来继续；环境既要无缝恢复此前状态，又不能持续热启动、白白消耗资源。
曲凯指出，这正是 Agent 并行与来回切换的具体后果。雷磊认同：在人类连续写代码的场景里，这种痛点未必明显，做多年代码编辑器也不一定能发现；一边构建 Agent、一边使用代码环境的人才更容易撞上它。
状态保持最终反馈到一个清晰指标——成本。安全本身难量化，但可以衡量围栏允许多大影响、环境空闲时消耗多少资源、恢复时是否丢失上下文；这些指标决定同一个 Agent 能否低成本运行更多并行任务。
雷磊认为 Agent 环境市场足够大，可以容纳多家公司在安全、状态、语言类型及特定工作负载上给出不同解法，而不必过早收敛为单一赢家。

10. Browserbase 的切口是当下机器人流量，不是遥远的 AGI

雷磊把 Browserbase 称为当红明星，称其一年时间估值升至 3 亿美元。产品概念并不复杂：把浏览器云化，并针对 AI 使用场景优化，例如自动获取网站信息作为上下文，辅助模型理解并操作网页。
Grasp 选择同一方向时采用了张一鸣所说的“务实的浪漫”：长期可以畅想无数 Agent，短期却先处理现有需求。雷磊引用的数据是，互联网流量已有 40% 来自机器人；服务这些机器人遇到的问题，本身就是足够具体的切入口。
被问到 Browserbase 是谁带起来时，他转而强调了机器人爬取网页、自动化测试和 RPA 等现实场景。Browserbase 很多时候解决的是机器人不够智能、无法适应网页变化，或因不了解网页信息而失效的问题。
曲凯追问为何 Manus、Fellou 没有采用 Browserbase。雷磊推测，一类原因是 Peak 本来就在做这一块；另一类原因是 Browserbase 的使用体验仍有工程问题，而且它不开源，而 E2B 开源，Manus 可以继续基于 E2B 定制。

11. Agent Browser 必须处理云端、headless、凭证和长状态

第一个差异最直接：“AI 是不会睡觉的”，所以供 Agent 使用的浏览器一定运行在云端。它还可能并行进行大量任务，个人电脑上尚可忽略的空闲浪费，放到云环境里就会迅速成为成本问题。
第二个差异是 headless。人需要前端界面、视觉和鼠标，Agent 不一定要像人一样通过视觉操作，可以让浏览器进程没有前端界面、直接在后端运行。理论上，给 AI 用的东西完全不需要人类式交互界面，但给人使用的浏览器仍会长期存在。
第三个差异是登录。用户既不想把账号密码交给大模型，也不想每次都被叫来输入。Grasp 的 Security Local Login 会判断登录流程，在纯本地填入账号、密码乃至邮件验证码；雷磊称整个过程全自主，不会把相关信息传给大模型。
第四个差异是长状态：Agent 查完携程机票后，可能去别处推理并等待人类决策，很久后才回来购买。Grasp 的 stateful browser session 试图让它像“网页从来没有消失过”一样恢复原页面，同时在等待期间不持续消耗云资源。

12. Grasp 认为 runtime 与 agentic 层必须合并设计

雷磊把 Agent Browser 拆成三层。最底层 runtime 负责拉取网页、执行脚本和渲染；中间 agentic 层负责读取页面、规划步骤、产生动作及推理任务；最上层 Knowledge 层则承载销售、招聘等垂直行业 know-how。
Browserbase 的核心位置在 runtime，并提供开源框架 Stagehand，让开发者自行构建 agentic 层；Playwright 也开源了 Playwright MCP。雷磊承认 Browserbase 有明显先发优势，但认为如果只做 runtime，壁垒确实不够大。
他的反驳并非 agentic 层可以独立叠加：安全本地登录、长状态和反馈循环都需要控制底层 runtime，仅接 Browserbase 再做中间层会有一些功能无法实现。因此 Grasp 选择把 agentic 与 runtime 合二为一，把通用工程问题统一解决。
Grasp 面向开发者，而 Fellou 面向消费者；理论上 Fellou 这类产品可以基于 Grasp 构建。开发者带上自己的行业知识，就能更快做出垂直版 Agent，而无需承担全部底层工程量；雷磊预计产品“下个月”开放。

13. 代码与浏览器会成为 Agent 生态的两块核心积木

雷磊设想未来有大量环境公司，每个基础设施像一块乐高积木：开发者组合代码执行、浏览器等通用能力，再加入自己的行业认知与反馈机制，便能构建专用 Agent，而不是每家公司重做整套底层。
他以 ChatGPT 的 Deep Research Agent 说明两块核心环境：一个 o3 模型，加网页浏览能力和 Python 代码执行器。Coding 负责执行逻辑，Browser 负责与 Web 信息交互，因此这两类会是最重要、也最宽的 Agent 环境赛道。
两个大类内部仍会分化：浏览器可能偏获取信息，也可能偏产生信息；代码环境则会因脚本、解释型语言和编译型语言形成不同需求。更远处还有数学公式环境、传感器、具身智能，以及空间智能等与物理世界交互的环境。
环境之外，服务人的工具也可能为 Agent 重做：Agent 是否需要独立身份、能接收短信的电话号码，以及自己的支付能力。Grasp 最终选浏览器，是因为团队有多年前端开发经验，对浏览器和自动化流程有深入理解，也因为 Browser 是 Agent 接触现实互联网的关键渠道。

14. Browser Use 有点像 2023 年 AI Coding 的采用阈值

雷磊用一个简化公式判断大模型何时能解决任务：“样本数乘以模型的成功率”，得到的成功次数一旦满足人的需求，产品就会转为主流。模型是概率系统，所以关键是大规模任务下能否跨过可接受阈值。
2022 年的 GPT-3 尚未让 Coding 过线，GPT-3.5 则突破了阈值。Browser Use 的样本数更大，今天的模型成功率仍不足，所以用户会觉得“不实用”；但随着概率提升，它可能变成今天的 AI Coding，而且这个过程会更快。
商业空间仍远未被当前规模覆盖。按雷磊的口径，全球软件开发总市场约 3 万亿至 4 万亿美元，AI 只要提高 5% 的效率，就是约 1,500 亿美元市场；当前 AI Coding 只有几十亿美元、接近 100 亿美元规模。
Browser Use 对应的底盘更广：销售、招聘、沟通、展示成果和获客都发生在互联网上。任何一个环节若由 AI 提高 5% 效率，都可能形成巨大增量，因此他把今天视为赛道“刚起步”。

15. AI 必须亲自体验世界，才能真正突破人的认知

雷磊对 Agent 长期发展的最重要判断，是 AI 会从吸收人类数据，转向“自己去体验这个世界”，再把真实反馈作为训练数据。大模型目前还没有真正与世界交互，因此他认为行业可能还处在人类刚刚拥有智能、刚刚学会生火的阶段。
他的川菜例子保留了完整因果链：让名厨评价模型生成的菜谱，模型最多只能无限逼近这位大厨，也会继承其偏见；把菜真正做出来并品尝，再把好吃或难吃反馈给模型，才是来自真实世界的反馈。
真正的创新，是大厨看到菜谱觉得难吃，实际做出来却很好吃。曲凯以 AlphaGo 补充：人类最大的偏见，可能正是相信人类知识对模型必不可少；雷磊将这种思路称为 “Bitter Lesson”。
因而代码沙盒、浏览器和物理环境的意义不只在执行任务，而在让 AI 获得第一手经验。只有行动—结果—反馈形成闭环，Agent 才可能突破模仿人类的上限，并朝他说的 innovative 阶段发展。

16. AI 环境可能是 AWS 级机会，但近期必须从既有需求切入

曲凯把讨论落到投资问题：更多 Agent 是否意味着云厂商股票会更好？雷磊认为总体方向成立——云卖的是资源，世界消耗更多算力、产生更多数据，云就更值钱；但行业增长不代表所有旧玩家自动获益。
他的反例是手机市场：今天的市场远大于十几二十年前，诺基亚仍会被淘汰，也可能有原本不做手机的公司成为新巨头。决定收益的不是原有分类，而是公司能否快速转型、跟上 Agent 的新资源与产品需求。
雷磊将 AI 环境称为“一个 AWS 级别的机会”。新公司会从最贴近 Agent 的工具和环境自上而下扩展，未来甚至可能做自己的浏览器内核；他认为双方更多是相互合作、相互补足的关系。
对“Agent 到底什么时候起来”，他的诚实答案是“没有办法判断这么长远的事情”。商业上仍要重视 time to market：Grasp 可能先服务传统爬虫、RPA、自动化测试，以及智能营销和销售等已有工作流，再伴随这些用户向 Agent 转型。

AI 侦察报告：AI Agents vs Agentic AI，来自 Imagine AI Live Tucker Carlson：ICE 突袭、洛杉矶骚乱、强劲经济数据、政治化的美联储，以及与伊朗开战？