**云Agent竞争已从模型转向执行权:谁控制运行环境、入口、编排、权限与结果交付,谁就掌握下一代软件工作流;Meta收购Conductor、Cloud关停又撤回,显示独立产品控制权不稳。** **要点** **1. Cloud Agent卖的是持续执行权** 它需独立云环境完成终端、文件、Git、测试和恢复,把开发从同步协作推向任务异步交付,并非简单“上云”。 **2. 本地Agent的物理限制催生云端刚需** 合盖中断、多任务抢占资源、环境易污染和长任务难看守,使隔离环境、多Agent并行、异步查看与状态保存成为刚需。 **3. 竞争焦点在模型之下的六个控制点** 模型、入口、代码协作数据、Runtime、Orchestration、权限支付决定Agent在哪运行、能访问什么、如何审核恢复;平台正争夺默认操作系统。 **4. 独立产品难保工作流控制权** Conductor被Meta收购验证多Agent编排价值,但关停撤回显示平台化后模型选择、开放性和路线图仍可能被改写;独立产品机会在跨模型编排、持久空间与权限预算。
云Agent 的战争,是执行权之争
2026-11-19 00:07

云Agent 的战争,是执行权之争

本文来自微信公众号: AIGC从0到1 ,作者:王零壹,原文标题:《云 Agent 的战争,是执行权之争》


2026年11月4日,Meta收购了Conductor。


这家公司的产品:让开发者把多个Coding Agent放进彼此隔离的工作空间,分头处理不同任务,再把结果汇总回来。


但收购消息里最刺眼的部分,不是Meta买了它。


当时,Conductor一度宣布Cloud将在11月20日关闭,用户需要导出或迁移云端工作空间。但最新官方changelog已将这套关停安排整体划线撤回,并更新称:Conductor不会关闭,团队正在继续开发产品。


一家公司被大厂收购,通常被视为价值被验证。Conductor的特别之处在于,它先宣布过Cloud关停,随后又撤回了这一安排。短时间内的急转,反而让用户看见了这个新市场最不稳定的一面:当Agent的工作环境、历史任务和协作状态托管在某个平台上,产品路线的一次变化,就可能直接改写用户的工作方式。


这件事有点荒诞。


它一面说明,多Agent编排已经重要到Meta愿意将Conductor纳入体系;另一面也提醒所有人:当独立产品被平台收购后,用户最在意的不只是产品会不会继续存在,还包括它会不会继续保持原来的开放性、模型选择、数据可迁移性与产品节奏。


Conductor不是一个孤立事件。


OpenAI在做Codex Cloud;GitHub把Copilot Cloud Agent放进Issue、Pull Request和Actions工作流;Cursor把Cloud Agents、Automations、多仓库环境和事件触发接进自己的产品;一批独立玩家则在试图讲一个更大的故事:不要只给开发者一个AI,而要给每个Agent一台长期在线的电脑。


表面上,这是云端Coding Agent的竞争。


往深处看,它争夺的其实是另一件事:


当Agent不再只是聊天、补全和协作,而开始替人持续执行任务时,谁拥有它的执行权?


谁决定它在哪里运行、能访问什么、如何调用模型、什么时候停止、谁来审核结果、出了错如何恢复、成本由谁承担?


模型只是这场战争的第一层。


真正的战争,在模型之下,也在人类点击“开始”之后。


01 Cloud Agent,不是把Agent放到云上那么简单


今天“云Agent”这个词已经很容易被说得太泛。


有人把任何一个网页里的AI助手叫云Agent;有人把远程桌面上的Claude Code叫云Agent;也有人把云端虚拟机加上一个模型API,称作Agent Computer。


这些说法都不够准确。


一个真正意义上的Cloud Agent,至少要完成下面这条链路:


任务/Issue/Prompt


↓


Agent


↓


云端运行环境


↓


终端/浏览器/文件/Git/API


↓


持续执行与恢复


↓


Diff/Commit/Branch/PR/结果


这里面最关键的,不是“云端”两个字。


而是Agent是否获得了一种独立的、可持续的执行环境。


它不只会生成代码,还能进入仓库、安装依赖、调用终端、运行测试、打开浏览器、等待外部服务、保存中间状态、继续未完成的工作,并最终把结果交到一个可审查的位置。


这与传统云服务器不同。


云服务器是人远程使用一台机器。Cloud Agent是人派发一个任务,由Agent使用一台机器。


两者的主语变了。


过去是:


人→电脑→软件→结果


本地Coding Agent出现后,变成:


人→Prompt→Agent→本机电脑→结果


Cloud Agent再往前推了一步:


人→任务→云端Agent→长时间执行→可交付结果


人不再需要持续坐在电脑前,盯着每一条命令和每一个文件改动。


人开始像管理一位远程同事那样管理Agent:派任务、看进度、补充信息、审核结果、决定是否合并。


这就是Cloud Agent真正改变的地方:把软件开发从“人机同步协作”,推向“任务异步交付”。


02为什么本地Agent不够了?


Claude Code、Codex、Cursor等本地Agent已经很强。


它们能读代码、改文件、跑测试、解释报错、执行命令,很多开发者已经习惯在本机终端里和Agent并肩工作。


但本地Agent有一个天然限制:它仍然绑在人的电脑上。


电脑合盖,任务可能停了。


网络不稳定,执行会中断。


一个复杂任务跑两个小时,开发者很难一直守着。


多个Agent同时运行,会抢占CPU、内存、端口、仓库目录和人的注意力。


更麻烦的是,本地环境往往很脏。个人文件、SSH密钥、临时脚本、未提交代码、私人配置都在同一台机器上。一个权限过大的Agent,不只可能改坏一个项目,也可能碰到它本不该碰到的东西。


于是,Cloud Agent的需求开始出现。


它解决的不是“本地写不了代码”,而是下面这些更具体的事情:


本地Agent的限制Cloud Agent的回答
笔记本合盖后任务中断Agent在云端继续运行
一次只能盯住一两个任务多个Agent并行处理不同任务
本机环境容易被污染每个任务运行在隔离环境中
长任务需要反复守着可以异步查看、追加指令、等待交付
工作状态散落在个人电脑环境、日志、上下文与产物可持续保存
团队协作靠手工交接任务、分支、PR和审核进入同一套流程
固定时间才能工作可被定时任务、Webhook、Issue或Slack触发


OpenAI对Codex Cloud的描述非常直接:任务运行在OpenAI管理的计算机里,可以在电脑休眠后继续执行,并在桌面、网页或移动端继续查看和推进。


GitHub的表述更像软件工程版的“异步委派”:Copilot Cloud Agent可以研究仓库、制定计划、修改分支、运行测试,最后由人决定是否创建或合并Pull Request。


Cursor也在把这件事向前推进。它的Cloud Agents运行于隔离云环境,可以处理多仓库任务,支持环境配置、密钥、网络访问,以及由GitHub、Slack、Linear、PagerDuty或Webhook触发的自动化任务。


这些功能看上去像产品列表。


但它们合起来,其实指向同一个变化:


人类的工作时间,正在被转换成Agent的持续计算时间。


以前,开发者下班,电脑就闲置,项目也停在那里。


未来,开发者下班后,Agent可能还在修一个Bug、补一组测试、排查CI失败、整理一份迁移方案。第二天早上,人看到的不是空白聊天框,而是一组Branch、一份报告、几个待审核的Pull Request,和一些需要自己做决定的问题。


03真正的战场,是六个控制点


如果只看产品表面,Cloud Agent的竞争像是“谁的Agent更聪明”。


但把整个系统拆开,事情会变得不一样。


控制点谁在争夺它决定什么
模型OpenAI、Anthropic、Google、xAI等Agent能力、速度与推理成本
用户入口ChatGPT、Cursor、GitHub、IDE、手机用户从哪里发起任务
代码与协作数据GitHub、GitLab、企业内部系统Agent能得到什么上下文、结果交到哪里
RuntimeCodex Cloud、Cursor、AIHubMix、E2B、Daytona等Agent在什么环境中工作、是否隔离、能否恢复
OrchestrationConductor、AIHubMix类产品与平台控制面多个Agent如何拆分、协作、重试和汇总
权限与支付企业、云厂商、平台谁能授权、谁付账单、谁承担风险


这六个控制点里,模型最显眼,Runtime最容易被忽略。


但Agent一旦开始执行真正的任务,Runtime往往比模型更早成为问题。


模型知道要做什么,不代表它有合适的环境去做。


它可能需要一个预装依赖的项目目录;需要能访问测试服务;需要一个浏览器;需要Git凭证;需要一个临时数据库;需要在任务失败后恢复现场;需要在某一步等人类审批;需要在成本超支前被叫停。


这些事情并不在模型权重里。


它们构成的是一层Agent的执行平面。


OpenAI现在已经开始把这一层明确产品化。其Agents API不只是调用模型,而是提供托管会话、上下文管理、恢复、沙箱与编排能力。模型调用按API计费,托管Sandbox也成为独立的基础能力。


这意味着模型公司不只想卖智能,它们也想卖Agent工作的场所。


GitHub则更进一步。它不必从零创造用户入口,因为开发者的Issue、仓库、分支、PR、CI、团队身份和协作流程本来就在GitHub上。Cloud Agent只要接入这条链路,就能自然成为软件生产流程的一部分。


Cursor的优势则在开发者工作台。它拥有编辑器、终端、模型选择、规则、上下文和用户习惯,再把任务送到云端,就完成了从“同步结对编程”到“异步任务执行”的延伸。


所以,Cloud Agent的战争不只是模型公司、IDE公司和创业公司在互相模仿。


它们是在争夺一个新位置:


谁能成为Agent工作的默认操作系统。


04 Conductor被买走,说明了什么


Conductor是理解这个市场的一个好样本。


它做的并不是“让一个Agent写代码”,而是让开发者同时管理多个Agent:它们各自拥有隔离工作空间,可以处理不同部分的项目,并把变更集中到可审查的结果中。


这种能力很容易被低估。


单个Agent写代码,仍然像一个增强版助手。


多个Agent被派到不同任务上、共享目标但隔离环境、各自交付结果,再由人汇总和审核,才开始接近一种新的软件生产方式。


Meta收购Conductor时,外界很难知道它买下的究竟是收入、用户、团队,还是具体技术;但至少可以确定,它买的不会只是一个漂亮界面。


因为模型平台和代码平台都可以做界面。真正稀缺的是如何把多个Agent组织起来:谁先做研究,谁写实现,谁跑测试,谁审查变更,谁在失败时接手,谁在任务之间传递足够但不过载的上下文。


这就是Orchestration编排。


Conductor的变化也暴露了独立产品最现实的风险。


风险不再是“被收购后产品一定消失”,真正的问题是:产品被纳入平台之后,谁来决定它的模型选择、开放边界、定价、数据策略和路线图?


如果一个产品的价值只是“为Claude Code、Codex或Cursor做一个更好用的多开面板”,平台迟早可以把类似能力做进自己的产品里。平台拥有更低的模型成本、更强的分发能力、更自然的身份系统和更多的用户上下文。


Conductor的故事,是更复杂的一条信号:


云Agent的需求是真的;独立产品能否长期保有对用户工作流的控制权,仍然没有答案。



05四条路线,正在通往不同终局


现在的产品大致可以分成四条路线。


第一条:模型平台原生路线


代表是Codex Cloud,以及Anthropic、Google等模型平台正在建设的托管Agent能力。


它们的优势是最直接的。


模型、推理、Agent Harness、工具调用、沙箱、会话和计费,都可以放进同一套体系里。用户不需要考虑部署,不需要自己处理环境恢复,也不需要把不同服务拼起来。


这是体验最顺的一条路。


但它也有一个问题:用户很容易被锁进某一种模型和某一套任务系统。


对个人开发者来说,这未必是问题。


对企业来说,则未必愿意把所有关键Agent工作流、代码上下文、权限体系和成本控制都交给同一个模型平台。


第二条:代码平台原生路线


代表是GitHub Copilot Cloud Agent。


它的强项不只是模型,而是工作已经在那里。


Issue是任务入口,Repository是上下文,Branch是隔离环境,PR是结果载体,Actions是执行底座,团队权限和审核流程也已经存在。


GitHub不是在给软件开发添加一个Agent。


它是在把Agent变成软件协作流程中的新角色。


这种路线对独立产品的压力很大。因为很多企业真正愿意付钱的,不是“一个很聪明的Agent”,而是“一个能进入既有流程、留下审计记录、交出可审查PR的Agent”。


第三条:独立Agent工作空间路线


Conductor、AIHubMix Cloud、boxes.dev等产品,代表的是另一种可能。


它们不把自己绑定到单一模型或单一代码平台,而是把重点放在工作空间本身:长期在线、可并行、可跨设备、可连接不同Agent和不同模型。


AIHubMix Cloud的公开页面把这种主张说得很直白:给你的Agent一台自己的电脑。


其Plus方案公开价格为99美元/月,配置包括4 vCPU、8GB内存、120GB存储和1TB流量;支持Claude Code、Codex、OpenCode、Pi、DeepSeek等多种Agent。


这种路线的想象力在于:把自己定义为多模型时代的Agent工作环境。


用户可以换模型,换Agent,换任务类型,但项目环境、文件、运行状态、任务记录和工作习惯仍留在同一个地方。


它的难点也同样明显:如果只是提供一台VM,云厂商做得更便宜;如果只是接几个模型,平台做得更顺;如果没有形成跨模型编排、长期状态、团队协作和权限治理的价值,它很容易沦为一个昂贵的远程开发机。


第四条:Agent Runtime基础设施路线


E2B、Daytona、Modal、Cloudflare、各类沙箱和容器服务,更接近底层。


它们不直接面对“帮我改这个Bug”的最终用户,而是让其他产品有能力为Agent提供隔离环境、短期容器、浏览器、文件系统、网络权限、恢复机制和可扩展算力。


这条路线离最终用户更远,但也可能更稳定。


因为无论上层Agent是Claude、Codex、Cursor还是未来的新模型,只要Agent要运行、要调用工具、要隔离权限、要保存状态,它就需要某种Runtime。


问题是:这一层究竟会成为独立基础设施,还是最终被AWS、Azure、GCP、Cloudflare和模型平台吸收?


现在还没有答案。


06云Agent到底卖什么:Token、云主机,还是结果


Cloud Agent的商业模式看起来很多,本质上却都绕不开同一笔账。


用户看到的可能是:


  • 每月20美元、60美元、99美元或200美元的订阅;


  • 一台持续在线的云主机;


  • 一定额度的Agent使用;


  • 一组可并行运行的任务;


  • 一套团队协作和审计能力。


平台真正承担的却是:


  • 模型推理成本;


  • CPU、内存、存储与带宽;


  • 长时间运行的容器或虚拟机;


  • 浏览器自动化;


  • 沙箱隔离;


  • 日志、监控、恢复和安全;


  • 支持、支付、合规与企业集成。


因此,Cloud Agent并不是一个天然高毛利的生意。


尤其当模型越来越强、任务越来越长、多Agent并行越来越普遍时,成本会变得很难预测。


Cursor的现有定价就反映了这种现实:用户购买订阅后,Cloud Agents等能力可以获得使用资格,但不同模型和任务仍会带来不同的用量消耗,第三方模型通常也会按API价格计费。


GitHub的路线则是把Agent放入既有席位、Credits和Actions体系之中。用户买的不只是模型使用,而是整个代码协作流程的一部分。


独立玩家通常会更重视BYOK,也就是让用户自带API Key、模型订阅或云账号。


这看似降低了产品的一体化体验,却可能是独立公司最重要的生存策略。


因为它把最不可控的推理成本交回用户,把自己的收费重点放到更稳定的部分:


  • 工作空间;


  • Agent编排;


  • 权限与日志;


  • 多模型调度;


  • 长期状态;


  • 团队协作;


  • 结果验证。


换句话说:


单卖Token,护城河很浅。


单卖云主机,护城河也很浅。


真正可持续收费的,是把任务稳定变成可审核、可交付、可复用的结果。


07平台会吞掉什么,独立公司还能留下什么


这大概是整个市场最值得问的问题。


平台会吞掉的东西,已经越来越清楚:


  • 云端运行一个Agent;


  • 读取代码、改文件、跑测试、提PR;


  • 让用户从网页、手机或IDE发起任务;


  • 常见的定时任务、后台任务与事件触发;


  • 基础的任务日志、环境管理与模型调用。


这些能力对OpenAI、GitHub、Cursor、Anthropic、Google来说,都是必须具备的基础设施。


它们不仅能增加模型用量,也能锁住最有价值的开发者和企业客户。


独立公司真正可能留下的位置,则在平台之间、模型之间、组织之间。


独立公司可能留下的价值为什么平台未必天然做好
多模型编排企业很难永远只使用一家模型
成本路由不同任务需要不同模型、上下文和算力
持久工作空间企业项目需要长期状态,而非一次性任务
跨系统执行GitHub、Slack、Linear、Jira、内部系统需要协同
权限与预算控制企业需要更细粒度的审批、审计和责任边界
可迁移性关键工作流不能完全被某个平台锁住
结果验证与恢复Agent会失败、循环、越权,需要可靠的兜底机制


独立Cloud Agent公司如果想活下来,不能把自己理解为“让Agent上云的工具”。


那太容易被平台吞掉,它必须成为一个更难被替代的位置:


管理一支Agent团队的控制台。


让十个Agent在不同模型、不同仓库、不同权限、不同成本约束下,仍能稳定协作、可控交付。


08未来可能是“一个人一组Agent Computer”


如果今天把Cloud Agent只理解为远程Coding Agent,很容易低估它。


它真正可能带来的,是一种新的计算关系。


过去,一个人通常拥有一台电脑。


未来,一个人可能拥有一组Agent Computer:


一个人


├──研究Agent:持续搜集、整理与更新信息


├──Coding Agent:维护仓库、修复Bug、补测试


├──运维Agent:监控异常、生成排障建议


├──内容Agent:整理素材、产出初稿、更新资料库


└──管理Agent:分配任务、记录预算、等待审批


每个Agent都不只是一个聊天窗口。


它可能有自己的文件系统、工具权限、工作记忆、定时任务、网络边界和长期环境。


人类不再逐一操作每台电脑,人类开始管理目标、预算、权限和验收。


这也是为什么“Agent Computer”比“Cloud Computer”更准确。


Cloud Computer仍然是人远程使用电脑。


Agent Computer则是Agent获得了计算机。


当然,这个未来不会自动到来。


当Agent有了自己的电脑,安全、权限、成本、数据泄露、错误传播和责任归属都会变得更复杂。一个会写代码的Agent出错,可能只是产生一个坏Patch;一个能访问生产环境、云账号、支付接口和内部数据库的Agent出错,后果会完全不同。


所以,未来的Cloud Agent不只是运行环境,还必须是一套控制环境。


谁能启动,谁能停止,谁能授权,谁能查看,谁能恢复,谁来承担成本与责任,这些问题最终会比“模型到底有多聪明”更重要。


09云Agent的战争,是执行权之争


Conductor一度宣布Cloud关停、随后又宣布继续开发,恰恰说明,这个市场正在进入更现实的阶段:需求已经被看见,但产品的长期归属、开放边界和控制权仍在快速变化。


需求已经被验证:人们确实希望Agent在自己离线时继续工作,希望同时管理多个Agent,希望任务能够从Issue、消息、网页和手机进入,希望第二天醒来时看到可以审查的结果。


但供给方还没有稳定下来。


模型平台想拥有Agent的运行环境。


代码平台想拥有Agent的任务入口和交付位置。


IDE想把同步协作延伸到异步执行。


独立公司想成为跨模型、跨工具、跨任务的工作空间与控制面。


云厂商则希望所有这些Agent最终都运行在自己的基础设施上。


所以,Cloud Agent的真正战场,从来不在“谁的模型更聪明”。


它在模型之后。


当一个Agent接到任务、开始调用工具、持续运行数小时、和其他Agent协作、修改代码、访问系统、产生结果时——谁拥有对这一过程的控制权?


谁控制这件事,谁就可能控制下一代软件工作。

AI行业信号频道: 前沿科技
本内容由作者授权发布,观点仅代表作者本人,不代表虎嗅立场。
如对本稿件有异议或投诉,请联系 tougao@huxiu.com。
正在改变与想要改变世界的人,都在 虎嗅APP