你每月花钱养的办公Agent，最后成了谁的资产？

顶级半导体与算力研究机构 SemiAnalysis 最近披露了一个数字：

他们自己公司的AI token开销，已经占到员工薪酬的30%。每位员工每月消耗约50亿token。

这是2026年一家知识密集型公司的真实账单，并不稀奇。

以我们公司的情况，每位员工每月300美金的AI预算，保证可以订阅Codex或Claude Code其中一家的200美元套餐，再搭配另一家的Pro套餐，加上其他零散的AI订阅，基本就足够应对日常办公了。

我之前写过一篇文章《我每月花5000元养AI，Anthropic拿走了80%毛利》，对于用户使用AI支付的钱流向了哪里，详细地拆解过这个问题。

Anthropic的年化收入从90亿美元飙升到440亿美元，毛利率从38%涨到了70%以上。

模型厂商正在成为AI时代最大的价值捕获者。

AI从最开始被我当作一个搜索问答引擎，到成为一个辅助我写作的AI助手，到成为一个深夜的陪聊搭子，到我用AI编程，再到全面介入我的工作的办公Agent，用的越多，越离不开它。

比如Opus 5的写作能力严重退化，写不出我想要的东西，我会气愤不已。如果Chatgpt和Claude同时宕机停摆，也就是刚刚发生的事情《史无前例！ChatGPT、Claude、Grok集体全崩》，就只能紧急切换到别的AI。

这不是一个关于AI好不好用的问题。这是一个关于AI时代谁掌握主动权的问题。

◈一个被忽视的矛盾

过去一年，整个行业都在为AI Agent的能力欢呼，写代码、做PPT、处理文档、分析数据，Agent正在超出预期的速度接管人类的办公场景。

不知道大家有没有想过：当Agent比你自己还了解你的工作方式时，你还有多少选择权？

前几天，Deepseek工程师「intlsy 的狗窝」发文《我不得不把才华埋葬在昨天》让很多人共鸣，放在Agent场景也是类似。

Agent不是一个普通的SaaS工具。一个用了半年的办公Agent，已经深入接触了你的文件、知识库、工作流程，甚至积累了你个人的工作记忆。它知道你怎么写周报，知道你的SOP，知道你常用的数据分析框架。

这些都是你的数字资产，上一波的SaaS时代锁住的是数据，Agent时代锁住的是你的工作方式本身。

这才是真正让人不安的地方。

◈模型开源解决不了这个问题

有人说，DeepSeek已经开源了，模型自由选择不就行了？

不够。

这里还有一个关键的认知差：模型开源和Agent开源，是两件完全不同的事情。

模型解决的问题是聪不聪明的问题，你可以选DeepSeek，可以选Qwen，可以选任何一个开源模型。但模型只是Agent的大脑，不是Agent的全部。

Agent的价值在于：它如何调度模型，如何连接你的工具链，如何理解并执行你的工作流程，如何记住你的偏好和历史。这一层才是真正承载用户资产的地方。

今年7月，Grok Build的一场争议，就把这个问题暴露了出来。

研究者在针对当时版本的测试中发现:在默认配置下，该工具会绕开模型的正常对话通道，在后台将用户的整个代码仓库打包并静默上传至云端。

一共是两条数据传输路径：

第一条是随模型请求发送文件内容。

Grok读取文件后，会将内容放入发给模型的请求中。测试用.env文件里的API密钥和数据库密码，未经脱敏就出现在请求正文里。

第二条是后台打包上传代码仓库。

客户端还包含独立的仓库上传机制，可将Git跟踪的文件和提交历史打包，发送到云端存储。这意味着，传出去的可能远超当前任务需要读取的内容，甚至包括历史版本中已经删除的信息。

换到我写公众号的场景里，道理也一样：

我让Agent查一篇论文，不代表我同意它把未发布的稿件、采访记录和整个选题库都交出去。

我授权AI帮我工作，也应该能够知道，这份授权到底允许它做什么。

所以，办公Agent的开源，不能停留在“支持接入开源模型”这一层。

真正需要的是Agent Runtime本身的开源。

负责调度模型、连接工具、管理记忆和执行任务的Agent Runtime，也就是运行时，模型可以向外部采购，但组织这些能力的工作系统，企业应该有条件自己掌握。

◈开放正在深入执行层

今年Agent领域最重要的一次开源事件，是DeepSeek发布了Harness

我们在《DeepSeek Harness，是今年最有野心的一次Agent开源》中曾分析过：

DSH不是一个简单的框架，它提出了"Model + Harness = Agent"的架构理念，用"Everything is a Plugin"的设计哲学，把Agent的运行时层彻底打开。

DSH解决的核心问题是：让Agent的能力组装、工具调度和工作流编排，全部运行在一个开源、可审计、可私有化部署的Runtime上。

它的重要性在于，开发者能够参与决定：模型怎样使用工具，能力怎样组合，执行过程怎样调整。

谁掌握这一层，谁就更有能力决定AI怎样进入自己的工作。

在DSH更早，今年2月份，网易有道的LobsterAI选择的也是一条同方向。DeepSeek把Harness这一执行层打开，而LobsterAI则把一个面向真实办公环境的桌面Agent连同其产品/session层、记忆、权限和OpenClaw运行时整合公开出来。技术路径不同，但都在把闭源Agent藏在平台内部的执行层暴露给开发者和用户。

Harness与OpenClaw是不同项目，但这两条路径回应了同一个问题：当Agent开始进入真实工作环境，用户需要能够介入它的运行方式。

9月16日的有道AI OpenDay上，LobsterAI的负责人王宁提出:

• 组织，对应Agent从个人助手走向团队工具。LobsterAI 2.0的Teams，面向的就是团队共同使用的需求。
• 交付，对应生成之后的工作。Sites让文档、看板和网站等成果能够通过链接分享，进入同事和合作伙伴的后续流程。
• 信任，决定前两件事能走多远。

刚刚发布的LobsterAI 2.0发布了是三个功能：Teams团队版、Sites能力（和ChatGPT Sites一样）、OpenClaw 2.0适配。

我个人觉得最后一个维度是办公Agent行业高度的一个必须的对齐。

办公Agent想要被信任到值得托付，用户敢把自己的核心工作流、业务数据、协作流程交给它，必须让用户自己知道这些东西始终在自己掌控之中。

开源，是信任的技术基础设施。

◈开源办公Agent，能解决什么问题？

说到这里，可以把开源办公Agent对用户的价值拆成四个层面。就拿我写公众号的流程来说。

第一，数据主权。

整理公开论文是一回事，处理尚未发布的稿件、采访记录和内部选题库，又是另一回事。这些资料里，有些可以交给外部模型，有些需要留在团队内部。

开源提供了自主部署的条件，配合内部模型和工具，可以在自己的环境里处理敏感内容。哪些资料交出去、交给谁处理，决定权应该在我们手里。

第二，可审计性。

我让Agent查一篇论文，需要发送的可能只是标题和关键词，没必要把整份选题库、未发布的稿件也带出去。

代码开放以后，技术团队可以检查它怎样组织请求、调用什么接口，再结合日志核查实际发送的内容。发现读取范围过大、发送了不必要的资料，就可以调整实现和权限。它有没有按我的规矩工作，应该有办法查清楚。

第三，连续性。

“找原始论文、核对实验条件、整理候选选题、等我确认”，是反复磨合才跑顺的一套流程。如果厂商涨价、转型或停服，我最不想做的，就是从头再教一遍。

LobsterAI把记忆保存在工作区文件里，用技能说明保存做法，用定时任务安排重复工作。

这些积累有了可以备份和修改的载体，开放代码又为自行维护、寻找其他团队接手提供了基础。迁移仍有适配成本，但花时间教会它的方法，有机会继续留在自己手里。

第四，可定制性。

同样是写公众号，论文解读需要核对实验条件，产品体验需要区分官方演示和实际测试，行业分析则需要交叉验证数据来源。一套通用模板，很难覆盖这些要求。

在LobsterAI这类支持技能的Agent里，可以分别整理操作步骤、参考资料和输出模板。发现它总漏掉实验局限，就补一道检查；需要连接团队选题库、筛掉写过的话题，技术团队也可以继续接入工具、修改实现。我们积累了更好的工作方法，助手也应该能跟着更新。

这四层加在一起，回答的是一个根本性问题：

我交给AI的资料、教会它的规矩、调顺的流程，最终由谁掌握？

开源的价值，就是把这份主动权留在自己手里。

◈行业回响

网易有道LobsterAI最新公布的一组数据，可以看出来行业对于开源办公的Agent是不是买单：

用户规模超过100万，GitHub Star超过6000，活跃用户次日留存率超过80%，用户日均调用超过120次，人均每日Token消耗超过2000万。

还有一个数据，根据目前行业发布材料援引，Claw类产品在2026年2月之前只有2个，2月增长到10个，到3月已经暴增到46个。

一个开源Agent Runtime生态，今年自Openclaw之后正在肉眼可见地成型。

这背后的逻辑不难分析，已经比较显而易见。

如果一个Runtime是开源的，那围绕它构建的插件、工具、工作流模板就会自然积累，进而网络效应。

DeepSeek选择开源Harness，网易有道选择开源LobsterAI，并非巧合。

模型竞争现在是红海，Agent开源才刚开始不久。

Agent的竞争，正在从单个产品能做什么，延伸到谁能吸引更多开发者、接入更多工具，并持续服务真实工作。

我们不应该等到离不开一个Agent时，才开始追问这些积累由谁掌握。

这正是开源办公Agent的现实意义：让用户有条件检查系统、修改规则，也能在必要时安排别人接手。

AI可以越来越强，平台可以获得回报，用户也应该保留重新选择的能力。

说在最后，回到SemiAnalysis的那组数据。

当一家公司的AI开销达到员工薪酬的30%，当Agent开始深入邮件、文档和工作流，用户需要考虑的，已经包括长期依赖的代价。

模型时代，大家首先比较“谁更聪明”。

到了Agent时代，还必须回答：谁更值得托付。

这种信任，需要有具体的支撑：

• 能不能检查它的代码
• 能不能部署在自己的环境里
• 供应商发生变化以后，能不能继续掌握自己的数据和工作流。

这些技术选择，最终决定了用户与平台之间的主动权如何分配—谁能决定这套系统怎样运行，谁就掌握着工作的主动权。

过去三十年，科技行业反复上演同一个剧本：免费使用 → 深度绑定 → 平台收租。

从Windows到iOS，从社交网络到云服务，绝大数用户在「便利」和「自主」之间选择前者。

但是等到资料、工具和协作关系都沉淀下来，离开就不再只是取消一个订阅。

选择权这件事，永远是越早意识到越好。

文章来自于微信公众号 “夕小瑶科技说”，作者 “夕小瑶科技说”