我们正进入AI应用开发的新阶段，但核心逻辑已变：不再是堆算力拼模型，而是要在预算约束下，设计系统循环（loop）并评估产出，榨出每分钱的智能。

三个信号标志了这个转折点。Fable 被关闭后，开发社区的反应是“让开源和本地模型回归”，不再押注单一模型。Nadella 提出：健康生态的护城河不应该是模型本身，而是人类专业知识和围绕模型构建的系统（他用的是 harness 这个词）。随后 Salesforce 以 36 亿美元收购 Fin（原 Intercom），这笔收购的市场信号明确：Fin 使用了开源模型来追求价格/性能比最大化。

但难点在于，构建AI应用与做SaaS的困难截然不同。缺的不是工程师，不是运维能力，也不是发布速度。AI应用要求开发者掌握三个新维度：选对模型、设计爬坡循环（hill-climbing loop）、以及持续评估系统的实际表现。

模型选择这件事远比想象中复杂。预算不允许所有人直接上最先进的模型。不同模型差异极大：Kimi K2 快、创意写作强但不够精确；Qwen 3.6 27b 是迷你模型，性能惊人但像头倔驴，会在工具调用中间突然停止；GLM 5.1 代码能力强但执行慢。每个模型有自己的“脾气”要摸索。

循环设计（loop）是这个时代关键的问题定义练习。系统设计本身就是一门学科。而更核心的问题是：如何定义循环结构，让智能体系统能持续改进？这个领域之所以全新且困难，是因为模型和底层基础设施的更新速度太快。

评估“模型+循环”的整体效果是长期劳动。大多数公司不愿意为每个工作流软件都配一个评估团队，因为AI系统复杂且难以捉摸。更合理的做法是：把这些复杂系统的调校任务交给少数几家供应商，由他们来最大化“每美元的智能产出”，并把成本分摊到更广的用户群体上。

能够掌握这三项能力的公司，才会拥有这个黄金时代。放眼望去，竞争已经不在于谁的模型参数量最大，而在于谁能把 模型选择、循环设计、成本效能评估这三个齿轮咬合得最紧。