Swyx 的 2026 大論：寫程式 Agent 會破籠、吃掉所有軟體，連帶吃掉整個世界

本文整理自《Latent Space》與《Unsupervised Learning》2026 年 4 月 23 日的跨刀單集《AIE Europe Debrief + Agent Labs Thesis》，主持人是 Redpoint 投資合夥人 Jacob Effron，受訪者是 Latent Space 主持人、AI Engineer 大會策展人、現任 Cognition 員工 Swyx（Shawn Wang）。本系列共三篇，這是第二篇談 Swyx 的 2026 核心 thesis、agent lab playbook 與賣產品給 Agent 的 GTM 變革；第一篇談 AI 寫程式戰爭的市場結構，第三篇談 Swyx 公開承認的兩個轉念。

{{< youtube A_7WafI9bhE >}}

{{< spotify "episode/3KJuOAQa6S9hyaRnAoC2IH" >}}

{{< apple-podcast "tw/podcast/aie-europe-debrief-agent-labs-thesis-unsupervised-learning/id1674008350?i=1000763306891" >}}

---

倫敦 AIE Europe 的三個議題：OpenClaw、Harness、Context

Swyx 從倫敦回來的時候，把 AIE Europe 的場控筆記直接攤給聽眾看。他的角色比任何人都適合做這個盤點，因為他自己策展這個會議的所有議程，從邀講者到分軌主題都親手挑。他的判斷是，這幾個月 AI 工程社群最熱的三個主題是 OpenClaw、harness engineering、context engineering，後面跟著一條長長的「常青議題」尾巴：evals、observability、GPU、LM 基礎設施、多模態與生成式媒體。

OpenClaw 之所以排在第一，是因為它在過去四到五個月幾乎是所有 AI 工程師都在討論的故事。這個產品類型把瀏覽器代理、桌面代理、長任務執行打包成一個全新的代理範式。它本身的影響力已經夠大，但 Swyx 在訪談裡說的更深一層是：「OpenClaw 是未來的一個縮影。」這句話是這集 thesis 的伏筆，後面我們會看到它怎麼接到「寫程式 Agent 破籠吃掉世界」的核心命題。

Harness engineering 跟 context engineering 是 Swyx 自己創造的兩個分軌名字，現在已經被社群普遍接受。Harness 指的是把 LLM 包裝成可運作代理人的「骨架」，包含 loop、工具、檔案系統、子代理人、記憶。Context engineering 是它的姊妹學門，討論在每一個推論步驟要餵什麼脈絡進去（RAG、檢索、漸進揭露）。Jacob 在訪談裡引述 LangChain 執行長 Harrison Chase 的一則推文：「AI 基礎設施終於有種穩定下來的感覺了」，問 Swyx 買不買單。

Swyx 的回答有兩層。第一層，他同意 skill 已經跑出來當「最小可行的代理整合格式」，一份 markdown 加上幾個 script，他說「我看不出怎麼比這個更簡單」。第二層，他婉拒「基礎設施已經穩定」這個結論性的論斷，「不要把名譽押在這個 thesis 上，如果它變了，就跟著變」。Harrison Chase 自己過去三年每年都在重新發明公司：LangChain、LangGraph、deep agents，路線一直變。這是一個謹慎但坦誠的判斷，也凸顯這個產業的變動速度。

Agent Lab Playbook：「反向 bitter lesson」如何成立

Jacob 把問題拉到應用層公司該不該訓練自己的模型，Swyx 把這個討論用一個名字蓋住：agent lab playbook。這個 playbook 的核心步驟很乾淨：先用大實驗室的前沿模型把你的產品跑起來，等你累積到足夠的工作流資料，再把資料蒸餾（distill）成你自己的小模型，省成本、省延遲、解鎖領域客製。Cognition 的 SWE-1.6、Cursor 的 Composer 2 都是走這條路的案例，兩個模型在開放的「模型切換器」裡都能進前五，而且不靠補貼。

這跟 Rich Sutton 那篇有名的《The Bitter Lesson》是相反方向。Bitter Lesson 警告大家不要做領域客製，最後總是「更大的模型 + 更多運算」勝出。Swyx 的觀察是這個邏輯在 2026 年要倒過來看：你先用大模型把領域跑通，再從這個大模型蒸餾下來，這時候你拿到的是兩邊好處：大模型的通用能力打底，加上你的工作流資料專一化，成本只有大模型的零頭。Swyx 把這個叫 reversal of the bitter lesson，意思是 bitter lesson 並沒有錯，只是要把它跑兩次。

Cognition 跟 Cursor 都做這件事還有兩個推手讓門檻變低。一個是 Thinking Machines（OpenAI 共同創辦人 Mira Murati 創辦）推出的 Tinker，把模型微調包成一個比 OpenAI fine-tuning API 更友善的服務。另一個是 Prime Intellect 的開放實驗室，把分散式訓練的基礎設施開源。Swyx 的總結是：「兩年前要訓自己的模型是工程地獄，現在是地獄的入口已經有人鋪好水泥地。」對 Cognition、Cursor 這個量級的公司來說，做一個內部小模型不再需要三十人的研究團隊，五個工程師加上一筆中等規模的算力就能跑起來。

Cerebras、Talos 與「每 10 倍速度解鎖一個新用法」

Swyx 在訪談裡花了一段時間講算力市場上「非 NVIDIA 推論」的崛起。Cerebras 跟 Talos 是兩個被點名的代表，Cognition 自己就跑在 Cerebras 上，OpenAI 也在用。這個趨勢看似只是換一張卡，背後其實是另一件事在發生：每多一倍的推論速度，會解鎖一個新的使用範式。Swyx 自己之前是這個論點的懷疑者，「100 token/sec 變 200 token/sec 只快兩倍，有差嗎」，但實際看到 Cerebras 跑出每秒幾千個 token 的水準後，他改口了。

「每 10 倍解鎖一種新用法」這句話是 Swyx 從硬體史總結出來的經驗法則。看一下我們自己用 LLM 的歷史就知道：當推論從每秒幾個 token 加速到幾十個 token，聊天介面才變得實用；從幾十加到幾百，coding agent 才能在你想得到的時間內把整個檔案重寫；從幾百加到幾千，會解鎖什麼？Swyx 自己也不敢預測，但他認為這個「不知道會解鎖什麼」本身就是值得投資的訊號。「整套應用會在某個時間點集體出現，這種事很難從現在的曲線外推。」

這個非 NVIDIA 推論的故事不只是 Cerebras 跟 Talos。AMD 的 Instinct 系列、Groq、SambaNova、加上一票還沒上市的初創，都在搶這個市場。Swyx 看到 AMD 居然也開始拿單，「對我這個十年前在華爾街看 AMD 股價的人來說，這太有畫面感了」。這個多年的投資週期不會在 2026 看完，他建議大家別太快下「NVIDIA 一統江湖」的結論。臺灣讀者特別應該注意的是，這個賽道對台積電的訂單結構有直接影響：晶圓代工的客戶從一家獨大變成多家分食，對毛利、製程節點安排都是新的變數。

賣產品給 Agent：60% Vercel 後台流量是 bot

Jacob 把問題拉到 GTM 端：當代理人成為基礎設施的主要使用者，賣產品的玩法該怎麼改？Swyx 的答案讓會議現場一片騷動。Vercel 的技術長 Malte Ubl 在 AIE Europe 的舞台上丟了一個數字：Vercel 後台管理介面（admin app architecture）的流量目前 60% 來自 bot，不是人。這 60% 裡絕大多數是寫程式代理人，透過 CLI、MCP 在跟 Vercel 互動，在替使用者開新專案、設環境變數、部署應用。

這個數字比所有「代理人時代來了」的口號都更有說服力。如果你正在賣一個給工程師用的 SaaS，你的主要使用者已經悄悄變成 bot，可是你的產品決策會議上沒有 bot 的代表。Swyx 用一句話總結：「如果你的東西不是 API 可達，對代理人來說它就不存在。」對 SaaS 公司的意義是，每一個原本只在 UI 上能完成的操作，都要評估能不能搬上 API 跟 CLI。如果不能，這個產品在六個月內會看到使用情境快速萎縮。

但 Swyx 進一步澄清，新的「Agent Experience」（AX，Netlify 創辦人 Matt Biilmann 創造的詞）大半其實只是把開發者體驗（DX）做好的另一個說法：好的 API 文件、無狀態的呼叫、CLI 介面、漸進式揭露的功能曲線。這些事情你本來就該為人類工程師做，現在因為代理人變成主要使用者，這些工作有了新的能量。「能量」這個詞 Swyx 用得很準。他的意思是，過去公司內想推這些「應該做但不緊急」的事情很難拿到資源，現在可以用「我們要服務代理人」當理由把預算要出來。對 PM 來說這是一個現成的提案模板。

Resend 的 70% 推薦率：擠進 LLM 提名清單的新 SEO

賣給代理人之外，更隱蔽的賣法是把自己「賣進」LLM 的推薦回覆裡。Swyx 提到一份近期調查：當開發者問 Claude「請推薦一個 email 寄送服務」、不給其他提示，Claude 大約 70% 的回覆會推薦 Resend。Resend 是 2023 年才成立的後起之秀，在傳統 SEO 的邏輯下，它要把 SendGrid、Mailgun 這些十幾年老牌打贏幾乎不可能，但在 LLM 推薦這個新管道裡它變成第一順位。

更殘酷的是這個推薦清單的容量。傳統 SEO 第一頁有十個位置，下面還有第二頁第三頁；LLM 的推薦清單只有大約三個名字。「能擠進這三個名字之內就是新版的金字塔頂端」，Swyx 的說法是。對行銷與 GTM 團隊來說，這意味著兩件事。第一，過去把 SEO 排名做到第八都還有點水流進來，現在一旦掉出 LLM 的前三名就直接歸零。第二，能擠進前三名的方式跟傳統 SEO 不同，比的不是反向連結數量，比的是 LLM 訓練時看到你的次數、看到你跟「email」這個語意的關聯強度。

擠進去的具體技巧 Swyx 講了兩個。一個是 combo articles，寫一些「用 X 配 Resend」的搭配文，把你的品牌跟其他工具的語意關聯打進去。LLM 在訓練語料裡如果看到你跟某個熱門工具一起出現的頻率夠高，做相關推薦時就會把你想起來。另一個是「能進到 2023 年的訓練資料切點」這件事，當時被收進預訓練語料的品牌，現在還在吃補貼，未來幾年內這個優勢還會持續。Swyx 補充，等到記憶與個人化系統成熟（這是下一篇要談的下一個 frontier），整個推薦邏輯會再變一次，現在的 AEO（AI Engine Optimization）紅利會被洗牌。

2026 大論：軟體吃掉世界，代理人吃掉軟體，代理人吃掉世界

把這些零散觀察兜起來，是 Swyx 追了一年的核心 thesis，他在這集說得最完整。「2025 是寫程式 Agent 之年；2026 是寫程式 Agent 破籠（break containment）、去做所有其他事情之年。」Swyx 用了一個傳遞律的說法把這個論點打到極簡：軟體吃掉世界（Marc Andreessen 2011 年那句經典）、寫程式 Agent 吃掉軟體（過去一年市場確認的事實）、所以寫程式 Agent 吃掉世界。

「破籠」是核心動詞。Swyx 對它的定義是這樣的：寫程式 Agent 過去一年的工作大致還困在「給 IDE 用」「給工程師用」「在某個沙盒裡跑」的範圍裡。但這些代理人本質上是會生產軟體的軟體。一旦放出來，它們不只生 IDE 裡的 patch，會生瀏覽器擴充、生內部工具、生整個 SaaS 取代品、生一次性的個人腳本。當軟體可以被任何人在幾分鐘內讓代理人寫出來，原本所有「不夠重要、所以沒人寫」的軟體都會被寫出來。這就是「吃掉世界」的具體形式。

Jacob 在這段給了一個很細的補充：「破籠」這個詞在消費端比在企業端更容易解釋。消費端使用者已經在自己生活中跑出很多瘋狂實驗，把家裡冰箱的條碼掃出購物清單、把 Slack 聊天記錄變成個人化備忘錄、把家庭財務管理用 Claude Code 做成自家儀表板。企業端反而保守，每一個破籠的場景都要過合規、過安全、過資料治理。Swyx 同意這個觀察，並補了一句他預期的「氣氛回歸」（vibes reversion）：目前一家公司獨大的敘事不會永遠維持，全世界太多生態行動者都在押注「不能只剩兩三家強模型公司」這個情境，未來六到十二個月會看到敘事比現在更平均一點。

Neolab 與 Neocloud：為什麼「新模型實驗室」這個物種長不出來

Swyx 在這段順勢回應了一個被問了一年的問題：為什麼 2025 年沒有任何 Neolab（新興模型實驗室）真的突圍？xAI 算成功進場，但它已經是 Elon Musk 帶資源進來的特例。剩下的 Mistral、Reka、AI21、Inflection、Adept、Character、ZAI/GLM，每一個都做得很好，但沒有一個真正擠進「跟 OpenAI、Anthropic、Google 同等量級」的位置。Swyx 的判斷是，這是結構性的，不是巧合。

對比之下 Neocloud（新興 GPU 雲端服務商）相對容易長。CoreWeave 已經 IPO，Lambda、Crusoe、Nebius、Together 都各自吃下一塊市場。原因很現實：NVIDIA 自己很努力幫這些 Neocloud 站起來，因為多一家 Neocloud 就多一個願意買 GPU 的客戶。NVIDIA 的最大利益是 GPU 銷量，而 Neocloud 的興起直接把 GPU 銷量推高，所以 NVIDIA 的內部團隊會分配資源、優先供貨、做技術整合協助這些 Neocloud 起飛。

Neolab 的情況反過來。NVIDIA 對 Neolab 站起來的興趣比 Neocloud 小很多，因為 Neolab 不一定會多買 GPU，反而可能搶 OpenAI 跟 Anthropic 的訂單。Swyx 的金句是：「你沒辦法用意志力強迫 Neolab 出現。」Neolab 需要研究人才、訓練資料、長週期的耐心、外加一個產品市場契合，這些東西都沒辦法靠 NVIDIA 的供應鏈安排來解。對臺灣讀者來說這個觀察很重要：當談到「臺灣需要自己的模型實驗室」這種戰略性議題時，要先理解 Neolab 不是設備跟資金的問題，是生態與人才的問題，砸錢砸不出來。

結尾：這集的話只聽一句，記住「破籠」兩個字

要從這集帶走一句話，就是「2026 是寫程式 Agent 破籠之年」。其他的細節，三家 20 億美元公司、60% Vercel 後台流量、Resend 70% 推薦率、agent lab playbook，都是支撐這個 thesis 的證據。如果你接下來六個月在做產品決策、技術選型、招募方向，把「破籠」兩個字當成濾鏡放進去：你做的這件事，能不能讓寫程式 Agent 從你的領域走出來、生出新的軟體？如果答案是不能，那你可能在做一個正在被破籠對象吃掉的東西。

下一篇會接著拆 Swyx 公開承認的兩個轉念，開源模型回升、post-training 值得做，以及他認為下一個真正重要的 frontier：記憶、個人化、世界模型。為什麼李飛飛（Fei-Fei Li）今年寫的那篇 spatial intelligence 論文是 Swyx 心目中的年度必讀？這個問題的答案藏在 Matt Damon 的《心靈捕手》裡。