Agent 开发、做 Agent、编排大模型的使用，其复利效应一定是巨大的，并且会在未来三到五年更加体现出来。
我是一个重度 AI 工具用户，Claude、Codex、Antigravity 等等，消耗的 token 量上十亿，这些想法也是我用 Agent 写代码、工具、写文档、生图、生视频的经验。
1. AI 的训练原理决定了 AI 不会使用 AI
原先 AI 学习代码仓库、人类书籍、艺术，产生了非常强的知识、能力，但在这往前的所有历史中，都没有一点 AI 如何学习 AI 的经验，所有的一切都是 0 开始的。这就导致了非常奇特的现象：AI 写工程代码、模板代码的能力很强，但 AI 写 Agent 编排、Agent 提示词的能力就非常拉垮。不仅是 OPUS 4.8，还是 GPT 5-5，它们的提示词更多情况下都是不明所以的，就是看似正确，但实际上用上才知道很多地方都是有问题的。并且这个问题是非常难以让 AI 自身去解决的，因为它们压根就没有学过怎么用 AI，只能通过 Skills、规范文档等来现学现卖，完全没有原始训练集里的代码库来得好用。
训练需要时间
AI 训练不仅需要大量的时间，还需要大量的资源、电，以及优质的数据集。而这些优质数据集的来源就是各位使用 AI 时的提示词，但目前还处在一个非常早期的阶段。不管是现在的 Skills，早期的 MCP，还是更早的各种“咒语”，实际上都是提示词的进化。也就是说，我们现在依然只是在驾驭 AI 的初始阶段，我们还在初始的学习 AI 的历史阶段，更别说让 AI 驾驶自己了。所以，这一段时间可能是 3 年，也可以是 1 年，总之是有这段时间的，而这段时间空出来的需求，不言自明。
所以说为什么 AI 开发的复利效应巨大
首先，AI 的使用一定是每一期、每一次新架构的升级、进化，都是快速的。但每一次快速的进化，必然不会有非常深厚的壁垒和难度。这一点就像是 Linux，如果想要再更新，或者说你想要给 Linux 贡献代码，需要学习的知识量非常恐怖和巨大。但 AI 使用技术的每一次升级，实际上细深究下来内容非常少，技术量非常小，几乎都是脚本和提示词优化。所以你学习了基本的 AI 使用方法，用上对的 AI，几乎花一顿饭的时间就能了解这些内容，MCP、Skills、小龙虾这些是个什么玩意了。如果你今天学习，了解了 AI 是个什么，Agent 是个什么，接下来的迭代都只是增量知识，在 AI 的协助下非常迅速就能掌握。
所以，我认为 Agent 的复利效应，在于使用 AI 的技术。有人能用生图 AI 生成超级漂亮的图，有人用 AI 能写出 Hermes、OpenClaw 这种热度项目，证明 AI 的产出是人类能力的放大。