2026-09-16
现有的 AI 产品基本建立在两个假设之上：要么 Agent 取代人（「AI 员工」），要么人操作 Agent（工具论）。
这两个都不对。人和 Agent 的关系应该是一种绝对意义上的协同——双方都是主体，各自看得见对方看不见的部分，靠互补而非替代来完成任务。
由此推出一个反直觉的结论：给 Agent 配一个社交账号、甚至拉进群做分组，是毫无意义的。
那是在照搬人类组织的壳。协同不需要 Agent 假装成人，需要的是双方共享同一个「所见」。
语音输入法正在改变 coding 的输入方式：从敲字符变成口述意图。这已经能看出趋势——口述这一行为，打破了文字输入的限制。
但要说清楚：语音只是让「描述」变快了，没有改变交互的本质。人依然要先把脑子里的东西翻译成语言，再说出来。工具换了，中间层还在。
描述是间接的，指出是直接的。
关键词是双向。现在 Agent 已经能「看」，但还不能很好地「指给人看」。
这一步的收益不是效率，是省掉翻译——不用把「那个东西」压缩成一个句子，指一下就行。
CLI 化不是倒退，而是给每个软件装了一个「可被指出的把手」。
浏览器标签、PDF 文档、文件系统，本来是封闭的 GUI；一旦有了命令行入口，Agent 就能「指」进去。
一个例子是自己写的 tabs：它只做一件事——让 Agent 知道当前浏览器开着的标签页有哪些，并且只给链接。
这看起来「能力太弱」，但恰恰是它的正确之处：
这符合 UNIX 哲学：简单工具的组合，让「指出」这个动作可以被拼接、被放大。用最原始的动词，组合出最有力的动作。
上面说的其实是同一件事：拆掉交互的中间层。
文字输入、GUI 点击、语言描述，都是人和机器之间的翻译层。协同要的不是更强的翻译器，而是越来越少需要翻译。
「指出」这件事很朴素，但它是最原始的协作动作——两个人一起看同一件事的时候，是不需要说话的。
描述和指出的差别不只是「更方便」，而是类型差异：
协同要求共享上下文，而描述永远共享不了完整的上下文。所以「指出」不只是交互优化，它是协同能够真正成立的前提。