这几个月，很多工程师还沉浸在 Agentic Coding 的兴奋里。它是真的有用：读 repo、改代码、跑测试、解释错误、做 migration、清理技术债，过去很多懒得动的活，现在终于可以动了。

AI 现在有点像鸡肋：不用不行，用了看到账单又肉疼。

但真正危险的不是贵，而是它越有用，大家越会用；大家越用，账单越不像工具费，越像税。这才是上一篇《Wintel 时代结束了》没说完的部分。

如果 PC 真的要进入 new era，接下来正确的投资方向，不是再造一个 AI app，不是再给笔记本贴一个 AI PC 标签，也不是继续卷谁的 TOPS 更高。真正值得看的问题只有一个：谁能让企业在 Agentic Coding 变成刚需之后，把高频智能任务跑得更便宜、更稳定、更可控？

这个 Q 结束就会被 question

Agentic Coding 现在还在兴奋期，大家看到的是它能干活。但这个 Q 结束，很多团队会开始面对另一个问题：它到底让交付变快了，还是只是把人力成本挪到了 token 成本？

这不是说 Agentic Coding 没价值。恰恰相反，只有真正有价值的东西，才会把成本问题暴露得这么快。没用的工具没人天天用，好用的工具才会进入日常；一旦进入日常，它就不再是 demo、POC 或 innovation budget，而是基础设施。

基础设施最怕的不是贵，而是每一次使用都不可控。今天很多 Agent 的成本结构很难看：它不是生成几行代码贵，而是在生成之前，先读十几个文件，扫半个 repo，反复问模型，失败重试，再把测试日志塞回上下文。

人类工程师也会探索，也会走弯路。区别是，人类的探索成本被工资打包了，Agent 的探索成本会逐次出现在 token 账单里。所以问题不是“AI 要不要用”，不用不行；问题是：能不能让它便宜到可以一直用？

不要从 TOPS 看 AI PC

现在很多 AI PC 的讲法还停在硬件语言里：多少 TOPS、多少 NPU、多少 benchmark。这些不是没用，但不是企业真正关心的语言。企业关心的不是这台机器理论上能跑多少算力，而是这些更具体的问题：

  • 一个 PR review 能不能少烧一半 token？
  • 一次 code migration 能不能先在本地完成 repo 理解？
  • 一段测试失败日志能不能不再每次全量上云？
  • 一个 Agent task 能不能先用本地小模型判断难度，再决定要不要调用 frontier model？

AI PC 如果成立，它卖的不是“更聪明的电脑”，而是更便宜的智能工作流。这也是为什么上一轮 PC 叙事里 Wintel 是答案，这一轮不一定。

上一轮 PC 的核心问题是：能不能流畅运行 Windows 软件？下一轮 PC 的核心问题是：能不能用更低成本跑足够多的本地智能任务？这两个问题完全不同。前者看 CPU、操作系统、应用生态，后者看 local runtime、模型路由、上下文缓存、内存带宽、GPU/NPU 调度、企业策略和开发者体验。

谁还在只讲 TOPS，谁就还没进入真正的问题。

第一条线：本地智能调度层

下一步最重要的投资方向，是 local model router。不是让每个 app 自己决定这次请求该用哪个模型，这件事 app 做不好。因为 app 不知道每台机器有什么硬件，不知道当前电池状态，不知道本地有什么模型，不知道企业策略允许什么数据出设备，也不知道这个任务到底值不值得上云。

这应该是 OS、IDE、企业平台和模型 runtime 共同承担的能力。合理的链路应该是：简单任务走本地小模型，私有上下文走本地 RAG 或企业私有模型，中等任务走便宜模型，关键推理才走云端 frontier model，敏感任务禁止出设备或出企业边界。

Microsoft 做 Foundry Local 的意义就在这里。它不是“本机跑模型玩一下”，而是把本地模型 catalog、SDK、自动硬件加速和 OpenAI-compatible API 放到应用开发链路里。

Azure AI Foundry model router 也在往同一个方向走：让平台根据 quality、cost、balanced 等模式做路由。现在它更多发生在云端模型之间，但逻辑迟早会下沉到 device / private / cloud 之间。

真正的机会不是“我也有一个模型列表”，而是谁能把本地、私有、云端模型变成一个可治理的成本路由系统。

第二条线：把 repo context 做薄

Agentic Coding 最贵的地方，不是写代码，而是理解代码。写一句代码不贵，找出应该改哪里很贵；生成 diff 不贵，知道这个 diff 会不会炸很贵。

所以 Agentic Coding 的投资机会，不在“再包一层聊天界面”，而在 context layer。它包括本地代码索引、repo map、symbol graph、AST / call graph、测试失败到源文件的映射、日志压缩、tool result cache、conversation summary，以及上下文去重、排序、裁剪。

这些东西听起来不性感，但它们才是 Agentic Coding 的成本底座。因为 repo 天然在 PC 上，IDE 状态在 PC 上，terminal 输出在 PC 上，本地构建结果在 PC 上，未提交的 diff 也在 PC 上。如果每次都把这些东西粗暴塞给云端模型，让模型重新理解一遍，那就是在重复交税。

一个好的本地 context layer，应该在调用大模型之前，把 50k token 的混乱上下文压成 15k token 的有效上下文。这不是优化 prompt，而是改变成本结构。谁能让 Agent 少从零开始，谁就在直接降低 token 消耗。

第三条线：把重复推理变成资产

AI 账单里有大量浪费，本质上是重复推理。同一个 repo summary、同一个 system prompt、同一种 test failure、同一类 migration pattern、同一份 API 文档、同一个企业 policy，如果每次都重新上传、重新理解、重新付钱，企业就是在给重复劳动交税。

所以 cache 会变得非常重要。不是浏览器缓存那种小优化，而是 Agent workflow 的底层资产：prompt cache、semantic cache、embedding cache、tool result cache、KV cache、failure pattern cache，都会进入基础设施层。

AWS Bedrock 的 prompt caching 已经把这件事讲得很直白：对长且重复的上下文做缓存，可以降低延迟和 input token 成本。但这只是开始，真正有价值的 cache 会发生在本地和工作流层，因为最稳定、最可复用、最隐私敏感的上下文，往往就在用户设备和企业环境里。

一个工程师每天让 Agent 看同一个 repo，为什么每次都要从零开始？一个团队每天修同一类测试失败，为什么每次都要重新解释？一个公司每天用同一套代码规范，为什么每次都要重新塞进 prompt？Agentic Coding 要从“好用但肉疼”变成“好用且可控”，cache 是绕不开的。

第四条线：高频低价值任务必须下云

这里很容易误解。我不是说所有 AI 都要本地跑。短中期内，本地模型不需要打败 Claude、GPT 或 Gemini，它只需要吃掉足够多的高频、低中复杂度任务。

比如意图识别、任务分类、日志摘要、简单代码修改、本地 embedding、文档检索、敏感内容预处理、Agent 路由前的初筛。这些任务不一定需要最强模型，但调用频率非常高，一旦全部上云，账单会很难看。

这就是 AI PC 的真正企业价值。它不是替代 frontier model，而是减少不该上云的调用。过去买 PC，是买一个访问云服务的终端；接下来买 AI PC，应该是买一个能持续减少云端 token 支出的本地智能节点。

这件事一旦成立，硬件采购逻辑就会变。32GB 不再只是“开 Chrome 更顺”，64GB 不再只是“开发者爽一点”，内存带宽、统一内存、SSD 本地缓存、GPU/NPU 调度，都不再只是参数。它们都会变成 token efficiency 的一部分。

不是 x86 和 Arm 谁更有信仰，而是谁能用更低功耗、更低延迟、更少云端调用，把同样的 Agent workflow 跑完。

第五条线：Agent 需要成本刹车

Agent 最大的问题，不只是会犯错，而是它会很努力地犯错。普通 LLM 调用，一次输入一次输出，成本还算可估；Agent 不一样，它会规划、读文件、调用工具、失败重试、反思、再调用工具。没有边界，它可以把一个简单任务跑成一次昂贵旅行。

所以真正的 Agent 平台不能只回答“能不能完成任务”，还要回答准备用多少钱完成、最多跑多少步、超过 token budget 怎么办、要不要降级模型、要不要改走本地模型、要不要停下来问人、要不要复用已有 cache。

这不是传统意义上的 FinOps dashboard。dashboard 只能告诉你钱已经烧了，真正的机会在于把成本控制放进执行路径里。Agent 在行动前就应该知道预算，在行动中应该不断评估边际收益，在继续烧钱前应该有刹车。否则所谓自动化，最后就是自动交税。

我会看什么

如果 new era of PC 成立，我不会只看谁卖出更多 AI PC。那是结果，不是因。我会看四类公司。

第一，local AI runtime 和模型路由层。它们把 CPU、GPU、NPU、本地模型、私有模型、云端模型统一成一个开发者不用操心的推理入口。

第二，Agentic Coding 的 context layer。它们把 repo、IDE、terminal、test、log、diff 变成可复用的本地智能资产，而不是每次都重新塞给云端模型。

第三，面向 Agent workflow 的 cache 和 cost-aware execution。它们不只是展示账单，而是在每一次工具调用、上下文拼接、模型路由、失败重试之前减少浪费。

第四，真正能把硬件参数翻译成经济结果的 AI PC 生态。不是“这台机器有多少 TOPS”，而是“这台机器能让团队少烧多少云端 token”。

反过来，我会警惕几类东西：只讲 AI PC，不讲本地 runtime；只讲 TOPS，不讲 tokens per watt；只讲 Agent 自动化，不讲成本边界；只讲大模型能力，不讲 model routing；只讲 FinOps dashboard，不介入执行链路。这些东西可能有热度，但很难回答真正的问题。

最后

所以，当 AI PC 成为新的风口，我不会先看谁多卖了几台笔记本，也不会先看谁的 TOPS 更高。那些都是表层结果。真正值得看的，是谁站在 PC 和云端模型之间那一层。

这层东西包括 local runtime、model router、context layer、workflow cache、private inference、Agent execution control。它们听起来不像 PC，但它们才决定 AI PC 能不能从 marketing name 变成企业愿意买单的基础设施。

因为企业最后不会为 AI PC 这三个字付钱。企业会为一件事付钱：同样的 Agent workflow，能不能更便宜、更稳定、更可控地跑完。

如果答案是能，AI PC 才是真风口。如果答案是不能，它就只是又一轮硬件换机叙事。所以这轮机会不在“谁定义 PC”这么抽象的问题里，而在更具体的地方：谁能把本地算力、上下文、模型路由和执行成本，做成下一代 AI 工作流的默认底座。

谁就在卖 AI PC 时代真正的铲子。