从 AI 逐渐迈入人们的视线开始，听到的最常见的一句话就是：“前端已死”，“翻译已死”。于是从 2024 年讲到 2026 年，我们发现岗位反而变多了。但这不是因为 AI 没有替代执行能力，而是因为新的执行需求在更快地涌现。真正被重新定价的，是另一件事。
当 Agent 接管执行层之后，真正拉开差距的，是你知道该触发什么、为什么这样触发的判断力。更具体地说：判断力，是对 Agentic Primitives 的编排能力。
SaaS 的本质，和它正在失去的东西
2026 年初，Anthropic 发布了 Cowork。随后的股价走势把两类公司分得很清楚：ServiceNow 跌超 23%，Salesforce 跌 22%，Snowflake 跌 20%，Intuit 跌 33%。与此同时，在 Anthropic 2 月 24 日的企业简报之后，被点名为合作伙伴的公司股价随即大幅反弹。Thomson Reuters 单日涨超 11%，Salesforce、DocuSign、LegalZoom、FactSet 同步上涨。
这不是 SaaS 已死，这是生态分叉。
理解这条分叉线，需要先想清楚传统 SaaS 的核心交付物是什么。它交付的不是业务能力本身，而是一套 UI 交互系统。你为了完成一个业务目标，需要先学会操作这个系统。本质上，是人在适应软件。
当 Agent 能够直接理解意图并执行，中间那层 UI 就从“产品”变成了“负担”。SaaS 依赖复杂操作门槛和功能堆砌建立的壁垒，在 Agent 面前开始失效。被 Agent 绕过入口的公司，在用户无感知的情况下，正在逐渐失去接触用户的机会。
而被纳入 Anthropic 生态的公司，股价上涨的逻辑很简单：它们的业务能力被 Agent 直接调用，而不是被绕过。进入生态，意味着你的能力成为了 Primitives 层的一部分；被排除在外，意味着你的 UI 入口正在被替代。
Anthropic 为什么退一步
值得注意的是，Anthropic 自己在发布 Cowork 时说得很清楚：“a platform, not a product, trying to own every workflow.”
连最有能力直接交付 Agent 的公司，都主动选择了退一步。这背后的原因，才是真正值得深究的。
Anthropic 在做的事情，不是替所有人写 Agent，而是把构成 Agent 系统的最小能力单元标准化：记忆（Memory）、工具调用（Tool Use）、规划（Planning）、执行（Execution）。这些不是产品功能，而是基础设施接口。做 Primitives 的标准化，比做任何垂直应用的护城河都深，因为所有垂直应用最终都构建在这层之上。
我在构建 z0 的 @z0/memory 模块时，对这件事有切身体会。
我花了大量时间在一个本不该由我决定的问题上：Agent 的记忆到底应该分几层？什么样的内容应该持久化，什么样的应该在 Session 结束后丢弃，什么时候需要主动检索而不是被动注入？这些问题没有标准答案，所以我自己设计了一套三层架构，并引入了对抗式检索来提高召回质量。
它工作得不错，但这件事本身就说明了问题。一个 Agent 工程师，不应该在 Memory 的基础设施设计上消耗这么多精力。 这是每一个做 Agent 系统的人都要重新踩一遍的坑，因为没有任何标准告诉你该怎么做。
对比 @z0/connector 的开发体验就能感受到差距。MCP 是目前 Tool Use 层唯一接近标准的协议，@z0/connector 能直接对接任意 MCP server，开发成本极低，因为这层标准化已经存在。Memory 层、Execution 层、Plugin 编排层，还没有等价的东西。
Anthropic 在做的，是把“本不该由每个人重新决定一遍”的基础问题，变成可复用的接口。MCP 已经证明了这件事的价值，他们要把它推广到所有 Primitives。
AaaS 为什么还不可信
随着 AI 热度快速提升，AaaS（Agent as a Service）正在走入人们的视野，但实际的可行率远远不足。
根本原因不是模型能力不足，而是错误会在 Agent 链路中复合叠加。一个人类员工在第三步出错，会自我修正；一个 Agent 在第三步出错，往往会在第七步、第十步继续放大这个错误，直到整个任务交付一份看起来完整、实际上已经偏离目标的结果。用户发现问题时，往往已经不知道错在哪一步。这种沉默的错误传播，是 AaaS 目前最难被信任的原因。
更深的问题在于信任机制的缺失。AaaS 的产品形态预设了用户愿意把完整的任务控制权交给 Agent，但信任是需要时间建立的，而信任需要可解释性、可审计性和可预期的失败边界。现阶段的大多数 AaaS 产品，三样都给不了。
这也是 Agentic Primitives 标准化的另一层价值：当 Memory、Execution、Tool Use 都有了标准接口，错误就有了可追溯的边界，审计就有了切入点，信任才有了建立的基础。
留给人的是什么
“Vibe Coding”流行之后，人们开始意识到自己可以不懂代码也能构建产品。但最终被证明有价值的那一批人，不是用 AI 写代码最多的人，而是知道什么时候不该用 AI 的人。
过去，一个产品经理想独立做数据分析，至少要懂基础 SQL、理解数据库结构、会用 BI 工具。现在他只需要知道“数据分析”这件事存在、在哪个决策节点需要触发它。执行层的细节，被 AI 接走了。
但触发判断本身没有被接走。你需要知道：在这个任务里，什么时候应该让 Agent 调用长期记忆，什么时候应该实时检索，什么时候应该停下来让人类介入。这种判断，AI 替代不了，因为它需要你对业务目标的理解，对风险边界的感知，对“够用”和“过度”的拿捏。
Agent 接管了执行层。留给人的，是意图的起点，和判断的边界。