一个产品下线,最值得看的往往不是公告本身,而是它曾经替时代解决了什么问题。

2026年10月29日,字节跳动旗下 AI 应用开发平台“扣子”(Coze)发布企业版下线公告:企业标准版与旗舰版于11月30日起停止接受新客户购买,存量套餐最晚于2027年12月31日全面下线,超期未使用部分自动退款。而在此前,扣子团队已经被整体并入豆包体系。公告不是意外,它更像一份组织裁决之后的落地确认。

更具反差感的是,2025年的市场统计中,扣子还以19.3%的份额位居中国智能体开发平台公有云市场第一。第一名尚且退场,说明这不是一场简单的产品竞争失利,而是一次技术范式、商业账本和组织战略同时收紧的合围。

一、它解决的是“模型不够强”的问题
扣子最核心的卖点,是可视化工作流:零代码、拖拽节点、把 AI 的流程“画”出来。这套产品在2023到2024年有真实价值。那时的模型不会自主规划,不会稳定调用工具,需要人类替它把步骤编排好,它照着走。扣子把这种“人类代劳”做成了产品,让不会写代码的人也能搭出 AI 应用。

但模型进化的方向,恰恰就是吃掉这些由人类代劳的编排环节。到了2026年,复杂任务越来越可以由自然语言直接驱动,AI 的自主规划和代码生成能力大幅压缩了手动搭建工作流的存在空间。

更根本的问题在范式本身。工作流的底层是有向无环图,流程必须从起点一次性走到终点,不能回头。而智能体真正干活最需要的“试错—观察—修正—再执行”的循环,恰恰依赖“环”。没有环,工作流就只能执行预设步骤,无法自我修正。与此同时,可视化工作流在工程能力上有系统性缺失:版本管理、CI/CD、环境隔离、代码审查、权限审计,这些生产级系统的基本能力,在画布上很难真正建立起来。

零代码的代价是:对小白不够简单到能解决真实复杂问题,对企业又不够可靠到能承载生产系统。当模型本体长出了编排能力,这个“补丁”的独立价值就不可避免地被稀释。

二、第一名的光环,掩盖不了一个太薄的赛道
扣子2025年确实拿了市场份额第一,但这个市场的绝对规模极小。据公开市场测算,2025年中国智能体开发平台公有云市场全年规模仅约2.5亿元,按19.3%的份额折算,扣子的平台产品收入约为0.48亿元,不足五千万元。这个数字是估算,不含模型调用与云资源,但足以说明问题:在一个需要持续投入研发和算力的平台型产品上,不足五千万的年收入,很难支撑一条独立产品线的长期存在。

它就从“战略资产”滑向了“边缘成本”。更麻烦的是,这个赛道的竞争还在加剧:云厂商、模型厂商、开源框架都在做 Agent 搭建能力,平台层被上下挤压。扣子有字节的流量和分发网络,但流量能带来试用,未必能带来留存和付费。积分消耗不透明、定价复杂之类的问题,又会进一步侵蚀用户信任。工具型产品一旦让用户觉得“算不清成本”,就很难进入生产级采购。

三、字节需要“主干”,不需要平行的支线
最后一锤来自组织逻辑。2026年,字节完成了一系列密集整合:飞书产品团队与豆包团队合并,TRAE 和扣子团队整体并入豆包体系,随后推出统一办公品牌“豆包工作”。字节 CEO 梁汝波明确提出“高度优先,粗主干,优化长期”的业务原则,希望豆包成为如同抖音一般的主干业务。

在“粗主干”的逻辑下,资源向极少数核心目标集中。过去字节擅长的“赛马机制”——多条线同时试错、跑出来的拿全量资源——在 AI 训练成本、算力消耗和企业交付成本极其高昂的阶段,变得难以承受。扣子企业版试图切入的企业办公场景,恰好与“豆包工作”的功能边界日益模糊,形成了内部同质化竞争。字节的选择很清楚:办公 Agent 的仗由豆包品牌去打,底层算力和企业级交付由火山引擎承接。夹在中间的独立扣子企业版,失去了组织上继续存在的理由。

所以,扣子的“死”不是一场意外。它是范式更替、商业规模不足和组织战略收缩在同一个时间窗口里同时发生的结果。它的核心价值建立在“AI 还不够强、需要人来搭流程”这个前提之上;当这个前提被削弱,独立存在的根基也就松动了。

四、当前 Agent 最大的缺点:它不会“长大”
扣子的退场,把一个问题推到了台前:如果连“帮人搭流程”的平台都会被模型吞噬,那么今天被寄予厚望的 Agent,本身最大的缺点是什么?

答案可以概括为一句话:当前 Agent 像一个能力很强、但永远无法真正长大的超级临时工。它能在单次任务中表现出色,却无法在连续的工作中积累经验、修正判断,把经历转化为自身能力的结构性改变。

具体表现为几层相互嵌套的缺陷。

第一,是“能却不可靠”的随机漂移。前沿模型在同一个任务上,有时成功、有时失败。有研究发现,失败的根源往往不是模型“不会做”,而是执行轨迹偏离了任务潜在的规范解路径;而且这种偏离具有自我强化特征,一次偏离规范的调用,会让下一次继续偏离的概率上升。Agent 的错误不是孤立的,它会“越错越远”。

第二,是长程任务中的非线性失败累积。Agent 的失败并不随任务长度线性增加,而是非线性复合。子任务上的优秀表现,不能可靠地转化为端到端的成功;增加更多脚手架,也不能稳定地提升可靠性。模型变强主要降低的是“偏差”,但“方差”——每次执行的不确定性——并没有同步收敛。模型更聪明了,但并没有更少混乱。

第三,也是最根本的,是 Agent 不会成长。实习生犯一次错,下一次面对相似任务时,是以一个已经被过去改变的状态重新进入问题的:他对风险的敏感度、对异常信号的注意方式,都发生了结构性变化。而 Agent 完成任务后,上下文被清空;即使保存了会话,下次调用也只是把历史重新塞回窗口。它可能“记得”一个教训,但并没有被这个教训改变。三个月后,系统里多的是提示词、工具、规则和知识库——增长的是外围工程,而不是智能主体本身。

第四,是上下文窗口的有损压缩困境。长程任务中,轨迹越长,上下文越臃肿。现有的截断或滚动摘要方案本质上是有损的,它们在压缩或丢弃证据本身。一个在对话开头提到的约束、一个很久之前工具暴露的失败模式,到了决定性时刻可能已经无法被有效调用。

第五,是多 Agent 协作的协调坍缩。多 Agent 系统被寄予厚望,但实证研究给出了冷静的结论:多 Agent 辩论在长交互中会偏离原始问题;一些所谓的多 Agent 增益,可能仅仅来自额外的推理预算,而非组织本身的结构优势。现有实现往往缺乏真正的自主性、社会互动和结构化环境,仍然依赖以 LLM 为中心的过度简化架构。

五、下一个方向:从“调用模型”到“构建能积累的系统”
如果当前范式的核心矛盾是“静态调用 vs. 持续成长”,那么下一个技术方向的共同指向,是把 Agent 从一次性推理过程,重构为可积累、可验证、可协调的系统。

一条路径是显式的、独立于 Agent 的知识层。当前 Agent 学到的东西,要么锁在模型参数里,要么困在临时的上下文窗口,要么沉淀在某个系统特有的记忆存储中——每次 Agent 被升级或替换,积累就中断了。下一代 AI 应围绕一个显式的、持续演化的知识层来构建,这个层独立于任何单一 Agent 存在。Agent 从环境中发现知识,知识层将其内化为可组合、可修订的理解,跨系统和跨代际的 Agent 都可以使用并回馈修正。核心瓶颈不在“发现”或“使用”,而在“内化”——把碎片化的经验转化为结构化、可推理的理解。

另一条路径是长期记忆的“无损索引”范式。针对上下文有损压缩的问题,新思路不是“压缩证据”,而是压缩上下文但不丢弃证据:工作上下文只保留简洁的结构化摘要和稳定索引,完整的交互记录存放在外部经验数据库中;Agent 可以自主决定何时解引用某个索引,精确恢复当前子目标所需的原始证据。通过强化学习训练 Agent 学会“什么该摘要、什么该归档、如何索引、何时检索”,从而在保持上下文预算有界的同时,不损失决策质量。

第三条路径是系统层接管协调的“Super-agent”架构。当前多 Agent 协作的瓶颈在于人:一个人通常只能同时跟进3到5个活跃 Session,AI 越能干,人反而越像五个 AI 的项目经理。用 Router–Worker 双层结构把任务分派和上下文同步从人身上剥离到系统层:Router 接收消息、判断任务归属,Worker 独立执行,不同任务拥有独立上下文并行推进。人类从具体的执行细节上移,专注于更高层的决策与验收。竞争焦点从“单个 Agent 多能干”转向“系统能承载多少 Agent、多可靠地协调它们”。

第四条路径是“验证优先”的工程范式。在软件工程领域,Agent 的介入正在倒逼范式倒转。当 Coding Agent 能够同时合成实现代码、形式化规格和机器证明时,人类审查的首要制品从代码变成了形式化规格。软件工程的层级被“倒置”了:规格成为人类把关的核心对象,代码和证明由 Agent 在规格约束下自主生成和验证。核心命题从“如何生成更多代码”转向“如何在委托执行中保持可验证性”。交付速度不再由代码生成速度决定,而由验证速度决定。

第五条路径是多 Agent 通信协议的标准化。复杂问题的解决越来越依赖多 Agent 协同,但当前的协同往往是临时、脆弱、高摩擦的。MCP、A2A 等通信协议正在趋于标准化,多 Agent 系统正在获得自己的“TCP/IP”。一旦协议层成熟,Agent 之间的任务分派、状态同步、冲突解决就有了可复用的基础设施,而不是每个系统重新发明一套协调逻辑。

把这些方向放在一起看,转向的本质是清晰的:上一代 Agent 范式在优化“单次调用的智能”,下一代范式在优化“跨越时间的系统可靠性”。智能不仅仅是推理的能力,更是把经历转化为结构性变化的能力。下一个技术方向,本质上是在为 Agent 补上这个缺失的维度:知识层让它积累理解,索引式记忆让它不丢失证据,系统级协调让它承载规模,验证优先让它可控,标准化协议让它可组合。

六、给使用者的三条建议:不要寻找“永不关停的平台”
扣子下线最直接的冲击,是那些把工作流、Bot 和业务逻辑深度绑定在扣子上的个人和企业。比“换哪个平台”更重要的,是避免下一次平台更替时再次陷入被动。

第一,迁移要趁早,但不要把“搬家”当成终点。扣子企业版留出了分阶段退出的窗口,存量数据可以导出和备份。拖延的代价会随时间上升:等到旧版套餐临近下线,模型可能已经批量下架,紧急重建配置的成本可能是正常迁移的数倍。替代方案需要按需求分层选择:如果看重开源、私有化部署和长期可控性,Dify 是功能最完整的路径之一;如果深绑腾讯或阿里生态,腾讯云 ADP、阿里百炼可以作为承接方案。但平台可以换,沉没在画布里的私有逻辑未必能完整带走——这一点在迁移时必须诚实评估。

第二,比选平台更重要的,是换一种资产形态。扣子事件暴露的核心教训是:绑定在某个平台私有画布上的工作流,不是真正属于你的资产。一旦平台关停或调整,拖拽出来的流程很难像代码一样被另一个系统直接理解和复用。未来值得积累的,是那些 AI 可读、可迁移、可审查的流程定义——用代码或开放格式表达的业务逻辑,而不是坐标和 UI 元数据。选择工具时,把“退出成本”和“资产可携带性”放在和“上手速度”同等重要的位置。

第三,职业能力要从“会拖拽”转向“能兜底”。低代码平台把 RAG、工作流编排、工具调用封装成可视化组件,非技术人员花一天就能搭出完成度约80%的通用智能体。这意味着“会连线和写提示词”本身正在快速贬值。真正稀缺的能力在剩下那20%里:把企业模糊的、跨部门的、非标准化的业务规则,转化为 Agent 可以稳定执行的确定性逻辑——状态机、异常回滚、合规校验、评估体系、可观测性。模型负责“聪明”,而人负责“靠谱”。企业为 Agent 付费,从来不是为聪明付费,是为有用且不出事付费。

结语:补丁谢幕,智能尚未成年
扣子曾经是一次真诚的尝试:让不会写代码的人也能搭建 AI 应用。但它的立身之本,恰好是 AI 本身还不够强。当模型补上了那块短板,补丁本身也就成了历史。

这件事真正的启发不在于“哪个平台会赢”,而在于两个更深的判断:第一,凡是建立在“模型暂时做不到”之上的产品,都要警惕模型下一次进化把它吃掉;第二,平台型工具的价值正在从“帮人搭建”转向“帮人治理”——可迁移、可验证、可观测、可退出,会比拖拽速度更重要。

对个人而言,最好的应对不是寻找一个“永远不会下线的扣子”,而是让自己积累的东西不再依赖某一个平台继续存在。工具会谢幕,范式会迁移,但把业务确定性工程化的能力,以及让资产保持可迁移的清醒,会比任何一个具体产品活得更久。

Coze 的退场不是 AI 应用开发的失败,而是它完成了自己的历史任务。真正的下一幕,不属于某个画布,而属于那些能够跨越时间积累、被经验改变、并且始终可验证的系统。智能的成年礼,才刚刚开始。

Logo

更多推荐