去年底，多数人还把AI当作聊天工具，仅用于解答问题、撰写文案或总结资料。一问一答结束，AI的任务便宣告终止。然而到了2026年第二季度，局势发生了剧变。以OpenClaw、Codex和Claude Cowork为代表的工具，将AI从对话框中彻底解放出来。Agent开始能够自主读取文件、运行代码、处理表格、操作软件，甚至接入企业内部系统。用户只需给出一个目标，Agent便会自动拆解任务、调用工具，执行完毕后再进行汇报。
3月诞生的OpenClaw标志着大众对Agent认知的转折点。以前提到Agent，大家默认是用来辅助写代码的；但有了OpenClaw，它开始接手各种领域的工作。过去三个月，我们见证了这位“新成员”融入真实工作流的全过程。Agent成为了新的软件入口，进入了金融、法律和设计等专业场景。企业看到了它的潜力，于是大规模开展“烧Token”运动，但仅仅两个月，这场不设上限的AI大跃进便宣告停止。原因在于，AI带来的提效部分又被审核、判断等瓶颈卡住了。而当企业回过头来补齐这些环节时，运行速度和成本的问题又暴露无遗。这份二季度报告总结的八个趋势，正是从这些现实碰撞中产生的。从2026年第二季度开始，核心问题从“Agent能不能干活”转向了“如何搭建高效的Human in Loop体系，并有效降低Agent成本”。
01 通用 Agent 下海，成了AI OS的模样
Codex、Claude Code（Cowork）和Workbuddy的转型，正是向“通用Agent”的演进。何为通用？OpenAI的报告显示，仅4至5月这两个月，使用Codex的用户中，非编程用户增长了20%，增速是编程用户的3倍。Codex已从为编程而生，转变为为一切而生。凡是有可重复流程的工作，都需要Agent。有了Harness运行框架和Skill技能模块，Agent处理复杂流程的能力已大幅提升。
既然是通用的，关于AI时代入口的争论便告一段落。一个能干所有事的东西，自然会成为一切入口。此前行业曾押宝“AI浏览器”，认为浏览器是上网的主流入口。Google的Project Mariner、OpenAI的Operator等纷纷入局。但一年后的今天，Google关闭Mariner并将其并入Gemini Agent，Operator也融入了ChatGPT Agent。相反，Codex、Claude Code等直接接入文件、终端和代码仓库，使用量增长更快。这是因为GUI是给人看的，而Agent更倾向于命令行和结构化数据。因此，浏览器不会消失，但将降级为Agent工具箱中的一个工具，负责展示结果供人修改。
入口站稳后，大模型公司开始杀入垂直行业。Anthropic推出Claude Design，让Agent读取品牌规范和代码库，制作设计稿、原型和营销材料；随后又推出按岗位拆分的金融Agent，覆盖估值审核、总账核对等，并将此模式推广至法律领域。OpenAI则通过Apps、MCP、AgentKit等产品连接企业现有系统。通用Agent成为底层框架，垂直行业只需通过MCP接入数据库，并配置行业知识和技能模块。垂直软件的护城河，已从底层代码转变为企业的数据、权限和验收记录。
02 Tokenmaxxing，Agent下海后撞的第一次墙
Tokenmaxxing是5月可能最火的一个词。大公司们看到Agent这么好用，便给员工更多Token、更多工具和更长的运行时间，希望产出翻倍。在FOMO和对Agent能力的夸张认知之下，烧Token一度成了AI时代的努力证明。黄仁勋公开表示，一个年薪50万美元的工程师，如果一年烧不到25万美元的Token，老板就该担心他有没有充分使用AI。但短短三个月，这把火就灭了。亚马逊的内部排行榜诱发了大量为了排名制造的无效任务，Uber的Claude Code预算在四月就耗尽，而管理层却没看到Token消耗与有效功能增长之间存在稳定关系。
烧不动，首先是因为贵。普通问答可能只调用一次模型，而Agent干长任务却要反复读取目标、历史状态、工具结果和错误信息。复杂任务的Token消耗可以达到普通问答的几十倍乃至上千倍。钱还不是最麻烦的地方，即使Agent把Token全烧对了，做出来的东西也不一定能最终到交付这步。MIT研究发现，自主编程Agent能让代码提交量增加120%，但这些代码到立项环节已缩水到50%，能真正发布上线的版本只剩下30%。此外，重复生产导致大量轮子被重造，需求并未随供给同步增长。
03 用Agent，替代还在Loop里的人
Agent做得太慢，那就让一堆一起做；Agent做完没人检查，那就派另一个Agent上。这就催生了2026年的Multi-Agent（多智能体）热潮。目前最稳妥的模式是“编排者—执行者”。即主Agent把任务拆碎，分给底下一堆子Agent并行干，最后再收回来汇总。例如Claude Research会派多个研究Agent分头搜索，再由主研究员汇总，引用Agent负责核对出处。Kimi Agent Swarm甚至能让数百个子Agent并行处理视频、代码和搜索任务。
碰到适合并行的工作（比如批量处理视频或代码），这招很管用，能极大缩短等待时间。但代价是，多Agent的Token消耗可以达到普通Agent的四倍。目前的多Agent更像项目经理指挥几组互不来往的外包团队，它能把工作摊开同时做，但还没有形成真正的群体智能。一旦拿掉中心的“包工头”，让Agent们自己商量，准确率反而不如一个拥有完整信息的单体Agent。
另一条走得更远的路是“自进化AI”，也就是RSI。Anthropic在6月的报告中提到了这个概念，他们让模型持续优化一段用于训练小模型的代码，优化水平从三倍加速一路做到五十多倍。Minimax等公司已经把这些自动化流程做进了后训练。但Agent依然不知道该往哪走，在复杂方向决策过程中，人类犯错时模型只有20%的几率比人做的好。另一个在6月爆火的概念是Loop Engineering，把这种循环做成长期运行的工程，Agent不再等人按一下才动一下，它会自己找任务、执行、验证、记录反馈。
04 算不过来的经济账
过去几年，AI算力的主角一直是GPU。但Agent的工作方式不一样，它不是一锤子买卖，而是在推理、调工具、等结果之间来回切换。大量时间其实花在了模型计算之外，导致昂贵GPU空转。2025年底的论文指出，CPU重新回到算力系统的中心。GPU继续推理，而CPU维持并发环境、管理任务队列和工具调用。资本市场也开始给这种变化定价，AMD预测服务器CPU市场规模将翻倍。
速度之外，模型价格也开始分层。两年前高低价差约30倍，如今已拉到约600倍。低价模型拿走越来越多的Token流量，高端模型继续拿关键任务。Sakana推出的Fugu效果却非常好，它不再是用模型去判断，而是单独训练一个Agent做路由工作。它会先理解任务，动态搭建工作脚手架，再调用不同价格、不同能力的模型组成临时团队。结果只用一半的钱，就能做到最佳模型的效果。编程可能最先跑通这套办法，未来Codex、Claude Code等产品也会有类似的自动分类产生。
05 正在收缩的现实
Agent带来的负面影响，以前多半停留在推演里。但到了2026年第二季度，一些变化已经落到真实岗位和产品上。最先受影响的是工作。AI对就业的冲击未必先表现为宏观失业率突然上升，而是岗位入口、日常任务和企业预算先变。客服、支持、工单、内部问答、基础运营，以及部分数据分析、运维和项目管理工作，已经开始被Agent吸收。还有些岗位并没有被Agent直接替掉，却被AI的账单挤掉了。
初级岗位受的影响尤其大。查资料、做总结、写基础代码、整理客户信息，最容易交给Agent，也恰好是新人熟悉行业的训练。企业想招“更成熟的初级员工”，同时又拿走了让人成熟的初级任务。岗位之后，安全问题也从论文走进了产品发布。Anthropic的Mythos展现出很强的网络安全能力，但公司不敢把它当普通模型开放。OpenAI的前沿模型也开始采取有限开放。互联网也在产生新的信息循环，AI生成内容在搜索结果中的占比上升，形成回音室。除去这些社会层面的影响，Agent还会让个体的人“认知缴械”。
06 尾声
2026年第二季度的八个趋势，连起来看是一段连续的故事。通用Agent夺走软件入口，前沿模型公司借其进入垂直行业。Tokenmaxxing撞墙后，暴露出人的复核速度和系统成本。多智能体与自进化AI开始接手复核和迭代，CPU、内存、网络与模型路由则让Agent跑得更快、更便宜。等这些问题有了办法，就业、安全、信息污染和认知缴械开始浮出水面。
企业接下来要积累的，不该只是Token用量。每一次执行都应留下可复用的工作流、评测、权限、组织记忆和结果反馈。否则预算花完，除了账单什么都没留下。而个人没必要和AI比生成速度。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。