AI 正在吃掉软件，但吃的方式和大多数人想的不一样。
所有人都在唱衰 SaaS，但 SaaS 解决的真问题不会消失。 Coding Agent 可以在几天内复刻一个传统 SaaS 产品的核心功能，“传统 SaaS 可复制性快速提高”已经成了共识。但客户怎么管、合同怎么审、项目怎么推进、合规怎么跟踪，这些问题不会因为 Agent 的出现而消失。变的是解决方式和商业模式。
大多数公司只是用 AI 强化传统。 加了一个 AI 对话框，底层还是某类数据的增删改查。加了一个 AI 总结按钮，产品的主对象还是文档和看板。AI 成了功能层的增强，产品范式没有变。
Coding Agent 已经跑出了范式级产品，但垂直领域还没跟上。 Claude Code 在代码领域验证了 Agentic-first 的范式，用户给目标，Agent 自主规划和执行。但产品研究、合同管理、投资分析这些场景，还在靠 Claude、ChatGPT 这类对话工具，没有出现等价的垂直产品。
这三个现实叠在一起，指向一个判断：问题不在于 Agent 不够强，而在于垂直领域怎么做出真正的 Agentic-first 产品，而不只是给传统产品加 AI 功能。
在一段时间的探索和实践后，我认为 Agentic Asset Loop 是对这个问题的一种回答。
Agentic Asset Loop 是什么
Agentic-first 回答的是”软件如何从人操作功能，变成系统围绕目标持续运行”。Agentic Asset Loop 在此基础上追问：这些运行结束之后，什么会留下来，并让下一次运行变得更好？
大多数 AI 产品的循环停在”生成”这一步：用户提出问题，AI 完成任务，输出一份结果，结束。每次都是一次性消费，产出不会成为下一次的起点。Agent 只是运行机制，真正的产品是它持续生产和校验的那些业务资产。
Agentic Asset Loop 要形成的是一个增量循环：用户设定目标，Agent 执行任务，结果沉淀为结构化资产并绑定证据，人审核和校准关键判断，下一次任务在已有资产上做增量，输出从资产生成而不是每次重写。每一轮都叠在上一轮基础上，系统越用越厚。
真正的区别不在单次输出质量，这个迟早会被 LLM 拉平。区别在于一年之后，系统里积累了什么。
反过来说，它不是什么？
- 它不是 Chat。 Chat 的默认锚点是对话历史，不是业务资产。它可以接数据库和知识库，但如果产品主对象仍然是一次次问答，产出就很难自然进入资产循环。Asset Loop 要求产出沉淀为带证据链、有置信度、可增量更新的持久资产。
- 它不是 Agentic Feature。 在传统产品上叠加 AI 能力，产品的主对象还是数据的增删改查，AI 只是加速了某个环节。Asset Loop 要求产品的主对象和核心价值由 agent loop 定义，目标驱动、运行可追溯、资产持续积累，是全新的产品范式。
- 它不是通用 Agent。 通用 Agent 的价值锚点是任务完成。它可以做很多事，但除非外部产品层为它定义稳定的业务对象、资产结构和质量标准，结果通常停留在一次性交付。垂直 Agent 的价值在于它理解业务对象是什么、资产结构长什么样、质量标准由谁定义。
那这个循环怎么保障能真的转起来？靠 5 个设计原则。
5 个原则
让 Agentic Asset Loop 转起来，靠的不是给 Agent 加更多工具，而是给循环中的每个节点加约束。
- 资产优先（Asset-first） 对应”沉淀”环节。重要结果必须沉淀成结构化的业务实体。
- 证据驱动（Evidence-backed） 对应”可信”环节。每个判断必须能回答：证据在哪、来源是什么、什么时候采集、置信度多少、谁确认过。
- 运行可追溯（Run-traceable） 保障”运行”环节。每次 Agent 执行都要有运行记录。
- 人在环路（Human-in-the-loop） 解决”校准”问题。人不只在最后验收，高影响动作必须经人确认，包括修改核心判断、删除旧结论、提高置信度、生成外部报告。
- 输出即视图（Output-as-view） 对应”输出”环节。报告、摘要、图表都是资产的视图，不是事实来源本身。
5 层架构
原则管的是循环怎么转，架构管的是产品由什么组成。每一层都是某个原则落地时需要的承载结构。
- 业务目标层 定义要做什么。用户想完成什么，不是”帮我搜一下 Notion”，而是”持续跟踪 Notion 的 AI 功能演进”。没有结构化的目标，Agent 只能接收一次性命令，无法围绕目标持续运行。
- 任务运行层 定义怎么执行。把 Agent 的执行变成可管理的业务任务，包括目标（Goal）、运行记录（Run）、计划（Plan）、状态（State）、过程追踪（Trace）、审核队列（Review Queue）、结果（Result）、记忆（Memory）、评估（Eval）。这一层承载”运行可追溯”原则，是区分”AI 工具”和”Agentic 系统”的分界线。
- 业务对象层 定义围绕什么工作。产品、客户、合同、候选人、项目、供应商，这些结构化的业务实体是 Agent 任务的锚点。没有业务对象，Agent 就只是在串工具，不是在推进业务。
- 结果资产层 定义什么被留下来。判断记录、证据链、知识页面、决策日志、版本历史。这一层承载”资产优先”和”证据驱动”原则，是 Agentic Asset Loop 最核心的一层。
- 治理层 定义如何确保质量。权限、审计、成本控制、质量评估、人工审核。承载”人类在环”原则，确保系统可控、出了问题能追溯、该问责时问得到人。
大多数现有产品只做了部分治理层。真正区分 Agentic-first 和 Agentic feature 的是中间三层：任务运行、业务对象、结果资产。这三层空着，产品就只是一个能干活的 Agent；这三层填满了，产品才是一个持续积累价值的系统。
这套架构适合结果会长期复用、判断需要证据、过程需要审计、信息持续变化的领域，比如产品研究、合同管理、投资分析、合规跟踪、CRM、用户研究。对于用完即走、低风险、强标准化的场景，比如文件转换、简单预约、高频交易，就有点过度设计了。
场景拆解
架构是通用的，落到每个领域时填入不同的业务对象和资产类型。拿两个场景来说明。
场景一：产品调研
传统做法是用 Agent 做一次分析，输出一份报告，存起来。下次再做，从零开始。
按 Agentic Asset Loop 的设计，产品调研工具应该围绕每个产品建立持久的知识空间。用户输入产品名和调研目标，Agent 发现信息源并抓取，提取产品判断并绑定证据和来源快照，写入产品知识空间，用户审核并校准置信度。之后可以手动或自动触发增量更新，Agent 只处理变化部分，每一轮产出叠在上一轮基础上。
对应到五层架构：业务目标是”持续跟踪某个产品的竞争动态”；任务运行层记录每次研究的完整过程，包括用了哪些来源、跳过了什么、花了多少 token；业务对象是”某个产品”；结果资产是带证据链和置信度的产品判断；治理层是置信度阈值和人工审核机制。三个月后回来看一个产品，判断链、变化时间线、功能地图全在那里，哪些是 Agent 生成的、哪些是人确认过的、哪些已经过期需要更新，一目了然。
场景二：合同管理
同样的逻辑换一个领域。传统合同管理系统的核心对象是”一份合同文件加一条记录”，Agent 能帮你搜条款、做摘要、标风险点，但审查完的判断留在了邮件或批注里，下一份类似合同来了不会自动复用。
如果按 Agentic Asset Loop 来做，数据粒度要深入到条款级别。业务对象变成”合同加条款加审查意见加风险标记”，每个审查意见绑定具体条款原文和公司政策依据，写入结构化的审查资产库。下一份类似合同进来时，系统自动调用已有的审查资产：上次同类型合同的赔偿上限条款你们调低了 30%，这次要不要沿用同样的谈判策略？Harvey 在做的就是类似的事，它的 Vault 和 Agent Builder 把法律资料、工作流和专家判断沉淀为可复用的法律工作资产。
两个场景的载体不同，产品调研积累的是产品判断和证据链，合同管理积累的是审查意见和条款级知识，但闭环逻辑相同。
横向对比
把市面上的产品按这套框架排一下，大致分三类。
第一类：工具就绪。 Cursor、NotebookLM、Manus 各代表一个方向。
Cursor 在代码领域验证了完整的 Agentic-first 范式，用户给目标，Agent 自主规划和执行。但它的成功有一个前提条件：代码领域天然有编译器和测试套件作为确定性反馈层，Agent 写错了测试会告诉你，这是其他领域不具备的先天优势。
NotebookLM 在研究领域做到了基于原始资料的引用和理解，但它的核心动作是”导入资料、理解、提问”，不是”初始化、增量更新、判断沉淀”，它帮用户理解一组资料，但不帮用户持续理解一个领域。
Manus 作为通用 Agent 走得更远，能自主规划、调用工具、异步执行、交付完整产出，但它的产出仍然是一次性的文件和报告，没有结构化的资产层来承接。
这三个产品各有所长，但它们的默认价值锚点都不在业务资产的积累上。Agentic Asset Loop 关注的是另一个问题：任务完成之后，什么会以业务资产的形式留下来。
第二类：平台就绪。 Dify、Coze 这类产品让用户用可视化方式搭建 AI 工作流，降低了 Agent 能力的组装门槛。但它们的价值锚定在编排层。随着模型越来越擅长工具调用、上下文管理和多步推理，纯编排层的壁垒会持续下降，除非它能上移到业务对象层和结果资产层——而目前这两层都是空的。
第三类：业务就绪。 目前最接近 Agentic Asset Loop 完整形态的是 Harvey。估值 110 亿美元，超过 10 万法律专业人士在用。它围绕法律任务建了完整的任务流，有 Vault 做文档知识库，有 Agent Builder 供客户创建定制化的 workflows 和 agents（公开资料显示已超过 25,000 个）。它有证据引用和源文档回溯，Agent 端到端执行法律工作，律师只做判断和决策。按年度企业订阅收费，外部报道显示其价格显著高于普通 SaaS 工具。
目前大多数产品停在了前两个阶段。第三个阶段的空白，就是 Agentic Asset Loop 指向的机会。
商业模式
“Token 成本加管理费”是很多人设想的 Agentic 商业模式：做一单赚一单，margin 靠效率差。问题是效率差会被追平，你今天比客户快 10 倍，明年工具进步了客户自己也能做到。
Agentic Asset Loop 指向一种不同的逻辑：卖的不是 Agent 的执行能力，而是资产的积累价值。
第一层收入是任务运行费。按任务量收费，覆盖 token 和工具成本。毛利不高，但它是启动飞轮的入口。
第二层收入是资产复用费。这里的资产复用分两层：一层是客户内部不断增厚的私有业务资产，提高单个客户的续费价值；另一层是可跨客户复用的方法资产、模板资产、领域本体、评估标准和工作流经验，这些会提高产品自身的交付效率和行业理解深度。
第三层收入是决策服务费。当资产积累到一定密度，产品可以从”帮你做研究”升级到”帮你做判断”。卖的是判断的稀缺性，这一层的毛利和护城河都远高于前两层。
这三层收入的逻辑同时也是壁垒的逻辑。 纯执行型 Agent 产品做不到第二层和第三层，因为没有资产层，每次都从零开始，没有东西可复用。
壁垒公式：领域知识密度 × 数据飞轮速度 × 工作流耦合深度 > 通用 Agent 能力提升速度。
这里有一个更深层的判断。传统 SaaS 的数据资产是结果数据，最终的报告、最终的合同、最终的分析结论。版本管理和审计日志很多时候只是为了应付安全审计要求，没人真的拿它当资产用。但对 Agent 来说，过程数据才是最珍贵的养料，每一次运行的判断逻辑、人工校准的记录、失败和跳过的步骤、置信度的变化历史。过程的调优和记录，才是垂直领域最有复利的环节。
一个产品的生命周期取决于它的核心价值锚定在哪一层。编排层的产品会被模型自身能力吞噬，工具层的产品会被下一代替代，只有锚在资产层的产品会越用越厚。
组织结构
这套理念真正改变的是组织里的判断分工。有了资产层，组织里就多了一类需要持续维护的东西，围绕它会长出新的角色和分工。
关键概念是判断密度，即一个岗位的工作中，需要人做不可替代判断的比例。搜资料、整理数据、写套路化报告、更新状态，这些工作的判断密度低，Agent 做得更快更好。定义目标、评审结论、处理例外、做最终决策，这些工作的判断密度高，只有人能做。前者会被 Agent 吸收进执行层，后者则会被放大，因为 Agent 把执行层交付了，人的每一个判断能撬动的产出量大幅增加。
因为系统持续积累资产，新的角色会自然生长出来。
- 资产管理员，因为有长期知识库需要维护，标记过期判断、合并重复、确保证据链完整。
- 领域审核员，因为资产入库前需要领域专家判断准确性，Harvey 团队里大量前大型律所律师做的就是这件事，把法律领域的专家经验翻译成 Agent 可执行的方法，同时审核 Agent 产出的质量。
- 智能体运维，因为 Agent 系统在生产环境中需要持续监控、成本管理和模型路由优化。
这些角色的共同特征是：它们的工作是校准系统，不是操作软件。
回到开头的三个现实：SaaS 解决的真问题不会消失，大多数公司仍在用 AI 强化传统产品范式，Coding 之外的领域还没有出现足够多被广泛认可的垂直 Agentic-first 产品。
Agentic Asset Loop 不是对这些问题的终极回答，而是一个设计假说：产品的核心价值不应该只锚定在 Agent 的单次执行能力上，而应该锚定在执行之后沉淀下来的业务资产上。这个假说是否成立，取决于它能不能在具体的垂直领域跑通完整循环：目标设定、任务执行、资产沉淀、人工校准、增量复用。
框架是纸上的，闭环要在泥里跑。