文章的实质判断是，AI自我改进越往机制层走，验证越不能留在系统内部，掌控思路正从看懂黑盒转向守住循环外的接纳边界。

• 影响对会自我积累经验的智能体，指标上涨不等于能力真实，验收与系统同循环就可能被迎合；部署这类系统需预留外部可触发的暂停和回滚点；验证独立性会影响智能体采购与上线评估。
• 参考可考虑把智能体试点的测试集与评分规则对执行侧隔离，并核查日志和工具调用输出有没有被伪造；值得参照边界由人设定的思路，列出不允许系统自改的清单，确认供应商提供暂停与回滚机制。

开放与闭源模型之争正变成一笔可量化的账，约 4 倍价差对应约 11 分质量差距，开放权重成为多数工作负载的合理默认起点，闭源留给最难的环节。

• 影响单位 token 预算可按约 4 倍价差重算，多数流程可先按开放权重定价；数据不能离开内网的团队多出可自托管权重的选项；质量敏感环节仍可能为闭源多付数倍价格，各模型许可证条款需逐个核对。
• 参考可考虑先设价格上限再按吞吐排序挑选端点；值得在自家任务上实测开放权重模型，只为质量改变结果的步骤保留闭源；商用前逐个核对 MIT 或社区许可证等条款差异。

防注入的关键不在模型层面，而在于把不可信内容当数据处理，并在工具执行前做模型改不了的规则检查。

• 影响配工具的智能体是注入的主要风险面，纯文本回复场景风险较低；不同模型抗注入差异极大，同一测试中有的模型发出 60 封攻击邮件中的 58 封、有的为 0；防御会带来延迟和误拦，用户确认流程可能需要调整。
• 参考可考虑先开 Armor 的 audit 模式记录自家流量判定，再决定是否拦截；值得为每个对外动作的工具写规则，并要求用户批准时点名收件人；机密可移出提示词，改由服务端工具持有。

这类生意的实质是缺乏护城河的中间商套利，月入百万是营收口径而非利润，同行共用同一批开源权重最终只能比拼价格。

• 影响Token价格战让推理采购成本短期持续下探，用量的企业可直接受益；但低价供应方多为无自有模型的小团队，停服风险需计入；巨头发力推理后，小服务商可能批量出清。
• 参考采购方可考虑借价格战对推理负载重新比价，并保留多供应商或自部署备份；想入局者值得先算清8美元租金、电费与平台抽成后的真实毛利再决定。

词元用量与价格同步上行，说明国内大模型应用进入规模化阶段，竞争重心从价格战转向性能与稳定性。

• 影响以去年价格水平做的 API 预算需要重算，归一化均价接近翻倍且调用量仍在快速增长；同一模型在不同平台性能差距明显，选型不能只比模型型号；国内推理速度整体仍落后于国外。
• 参考可考虑按报告的归一化价格口径重算自家应用的词元成本，把涨幅折进下一年度预算；值得在采购前对候选平台的 TPS、首词时延和调用成功率做实测对比后再定供应商。

编程智能体框架的选型更像成本决策而非能力决策，各家宣传的跑分优势大多落在随机波动内，真实差距体现在账单上。

• 影响按单次跑分选框架容易为噪声买单，约2分的宣传优势低于该研究的可检出阈值；框架的系统提示词随每步重发抬高 token 基线，同一模型换框架单任务成本最多差3倍，直接影响 API 预算；厂商自家框架对自家模型并无主场优势。
• 参考可考虑在评估编程框架时先重跑一次相同配置，把成绩差与噪声基线一起看再下结论；值得用自家常用模型和真实任务实测各框架的单任务花费，并计入缓存计价后再定默认框架。

FDE高薪抢人的实质，是AI to B交付仍靠人力兜底，模型能力不足把交付缺口转成了人才成本。

• 影响AI to B交付当前仍是人力密集生意，项目制按人天计费让成本难以摊薄；已有客户首年采购几十万、次年不续约的亏单案例；落地会触碰企业内部数据开放与岗位利益的再分配。
• 参考可考虑先列出哪些部门数据可开放、谁为上线结果签字，再启动AI项目；值得要求供应商给出Token用量与效率提升的可量化口径；中小企业可对比百万元软件报价与20万元自聘懂Agent开发的成本。