📌 一句话摘要

2026 Q2 AI 趋势总结：通用 Agent 成为新入口，垂直行业快速渗透，Tokenmaxxing 遇瓶颈，多智能体与自进化与自进化 AI 兴起，CPU 重返算力中心，模型价格分层，以及对就业、安全、信息和认知的影响。

📝 详细摘要

文章回顾了 2026 年第二季度 AI Agent 的八大趋势：通用 Agent 如 Codex、Claude Code 等已从对话框走向能够直接操作文件、终端和企业系统的通用入口，使浏览器从总入口降级为工具箱；借助 MCP 和 Harness，模型公司能够快速在金融、法律等垂直领域部署 Agent，只需补充行业知识和规则；Tokenmaxxing 热潮因高昂 Token 消耗和低有效反馈比例（约 10%）而快速退潮，导致成本失控且产出未同步提升；多智能体通过编排者‑执行者模式提升并行效率，但仍依赖额外计算且缺乏真正的群体智能；自进化 AI（RSI）能在特定任务上实现数十倍加速，但在价值判断（“品味”）上仍不如人类；CPU 因工具处理占任务延迟超 90%而重新成为算力中心，GPU 主要等待 I/O 和调度；模型价格出现极端分层，便宜模型处理日常步骤，昂贵模型负责关键决策，Fugu 等路由方案可在半成本下达顶级效果；最后，Agent 的广泛应用引发初级岗位被替代、前沿模型受安全限制、AI 生成内容污染搜索以及人类过度依赖 AI 导致思考能力下降等社会挑战。

💡 主要观点

1. 通用 Agent 成为新的软件入口，浏览器角色转变。 Codex、Claude Code 等通用 Agent 能直接操作文件、终端和本地应用，使浏览器从总入口降级为工具箱。
2. 垂直行业 Agent 通过通用框架快速定制，降低开发门槛。 模型公司利用 MCP 和 Harness 复用底层 Agent，仅需添加行业知识和规则即可构建金融、法律等垂直 Agent。
3. Tokenmaxxing 热潮因高昂成本和低效反馈而快速消退。 Agent 任务导致 Token 消耗激增，但有效反馈仅占约 10%，导致成本失控且产出未同步提升。
4. 多智能体通过编排者-执行者模式提升并行效率，但仍依赖额外计算。 如 Claude Research 和 Kimi Agent Swarm 通过并行子 Agent 缩短延迟，却因缺乏真实合作导致准确率下降。
5. 自进化 AI（RSI）能显著提升特定任务速度，但在价值判断上仍逊于人类。 通过自优化代码实现 50 倍加速，但对价值判断的‘品味’仍需人类主导。
6. CPU 重新成为 Agent 工作负载的核心，GPU 等待 I/O 和调度开销。 工具处理占任务延迟超 90%，CPU 负责并发调度和内存管理，促使服务器 CPU 需求激增。
7. 模型价格分层与智能路由提升成本效益，关键任务仍需高端模型。 便宜模型处理日常步骤，昂贵模型负责关键决策，Fugu 等路由方案可在半成本下达顶级效果。
8. Agent 广泛应用带来就业结构变化、安全风险、信息污染和认知依赖等社会挑战。 初级岗位被替换，前沿模型受安全限制，AI 生成内容污染搜索，人类过度依赖 AI 导致思考能力下降。

💬 文章金句

• 到了 2026 年二季度，情况变了。因为 OpenClaw、Codex 和 Claude Cowork 把 AI 从对话框里拉了出来。
• Tokenmaxxing 是整个 5 月可能最火的一个词。大公司们看到 Agent 这么好用，那给员工更多 Token、更多工具和更长的运行时间，理论上讲他们的产出就得大大翻倍。
• 哈工大五月底提出「有效反馈算力」，专门计算花出去的算力里，有多少信息真的影响了下一步。在复杂任务中，这个比例低到约 10%。剩下 90%的 Token 大多消耗在重读、试错和无效往返上。
• 多 Agent 接下来要补的是制度。任务怎么分，信息怎样共享，错误算谁的，奖励如何沿工作链回流，长期表现差的 Agent 会不会被淘汰，这些都需要设计。
• 机器可以快速交答案，人还得判断题目值不值得做、答案会带来什么后果，并且为它负责。

📊 文章信息

阅读完整文章